Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   13 ,  No.   3 ,  Ma rc h   201 9 , p p.   919 ~ 926   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 3 .pp 919 - 926          919       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Anomal y - bas ed i ntrusion  detecto r system  u sing restric ted  growin g self o rgan izing m ap       Tomi Y ahy a Christ yaw an,  Ah m ad   A fif  S upianto , Wa yan  Fir daus  M ah mu dy   Facul t y   of  Com pute r  Sc ie nc e, Br awij a y a   Univ ersi t y ,   Ma la ng ,   Indo nesia       Art ic le  In f o     ABSTR A CT   Art ic le   hist or y:   Re cei ved   J ul  06, 2 018   Re vised  N ov   1 1,   2018   Accepte d  Dec   8,   2018       The   rap id  dev elopm ent   of  int ern et   and  net wor k  te chnol og y   fo ll owed  b y   m al ic ious  thr ea t s  and  at t ac ks  on  net works   and  co m pute rs.  Intrusi on  det e ct io n   s y stem  (IDS )  was  deve lope d   to  s olv e  th at   prob lem s.  The   dev el op m ent   of  IDS   using  m ac hine   l ea rning  is  nee d e d  for   cl assif y ing   the   a tt a cks.   On e  m et hod  of   the   c la ss ifi c at i o n  is  Self - Organ iz ing  Map  (SO M).  SO M  abl e  to  per form   cl assifi ca t ion  an d  visual i zation  i n  le a rning  pro ces s  to  gai n  n ew  knowle dge .   How eve r,   the   SO M  has   le ss   eff ic ie n t  in  le arn ing  proc ess  when  appl ie d  in  Big   Data .   Thi s  stud y   proposes  Restri ct ed  Grow ing  SO M  m et hod  with  cl usteri n g   ref ere n ce   ve ct or   (RGS O M - CRV )  and  Para ll e l  RGS OM - C RV  t o  improve  SO M  eff ic ie n c y  in  c la ss ifica t io n  with  a c cur acy  conside r at ion   t o  solve  Big   Data   proble m .   G rowing  proc ess  in  RGS O M  is  res tri cted  b y   m axim um  nodes   and  growing  th reshold,   the   r eu pdat e  w ei ght   pr oce ss   will   upd a te   unused   ref ere n ce   ve ct or  when  m ap  size   al rea d y   m axi m um ,   the se  two  proc esses  solve  the   cons um ing  ti m e  of  reg ular   GS O M.  From   the   result s  of  t his  rese arc h   aga inst  KD D  Cup  1999  dat ase t ,   proposed  m ethod  Para llel  R GS OM - CR V   abl e  to  give  91. 86%  ac cur acy ,   20. 58%  fal s e  alarm   rat e ,   95. 32 %  rec a ll   o r   det e ct ion   rate,  a nd  pre c ision  is  94. 35%  and   ti m e  consum in g  is  outpe rform   tha n  r egul ar   Gr owing  SO M.  T his  proposed  m et hod  is  v er y   p rom ising  to  handl e   big   data problems   compare d  with   oth er  m et hods.   Ke yw or ds:   Bi g  data   Cl us te rin g  re fe ren ce  v ect or   Grow i ng s om   In tr us i on D et e ct or   Syst e m   Self - orga nizin g  m ap   Copyrig ht  ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed.   Corres pond in g  Aut h or :   Tom i Yah ya  Chr ist ya wa n ,   Faculty  of Com pu te r  Scie nc e,   Brawijaya  U niv ersit y,   Vetera n  street ,   Ma la ng ,  Indo ne sia .   Em a il :  to m i@rek avisit am a.n et       1.   INTROD U CTION   The  sec ur it y  threat  to  i nter ne t  us age  a nd  c om pu te r  net w orks  is  inc reas ing .  Seve ral  ty pes  of  new   at ta cks  on   t he  netw ork  ap pea r  pe rio dical ly ,  this  m ake  a  chalang e  to  deve lop   a  fle xib le   a nd   a da ptive  ne twork   secur it y.  De vel op i ng   te ch ni ques  to  detect   ano m aly - b ased  ne twork  intr us i on  to  protect   a  com pu te r  syst em   and   netw ork  from   m al ic iou s  act ivit y  at ta cks  cal l  In tr us i on  Dete ct ion   Syst em   (I DS),   as  the   de te ct ion   of  s usp ic iou s   netw ork  tra ff ic  and c om pu te r usa ge   ca n no t   be done  by c onven ti onal   fire w al ls.   So m e  dev el op m ent  of  I DS   ba sed  on  m achine  le ar ning  te c hn i qu e .  T he  m et hods   us e d  for  a no m al y - base d  intr us i on  detect ion  are   com m on ly   dif fer e ntiat ed  int o  cl assifi cat io n  a nd  cl us te rin g.   H ow e ve r,   t her e   is  al so   a  hy br i dizat ion   betwee n  cl us te rin g  a nd   cl assifi cat ion   f or   i ntr us i on  de te ct ion   syst em .   In   t he  cl assifi cat ion  m et ho d,  so m e  stud ie s  us e  si ngle   cl assifi er  s uch  as  KNN  [ 1] ,  S upport  Ve ct or   Ma c hin e  ( SV M)  [ 2] ,  arti fici al  neural  net wor k  [3 - 6]   to  s olv e  ID S   pro blem .  Othe r  resea rc he rs  us e  hybr i d  m et ho ds   of  he ur ist ic   al gorith m   with   cl ass ifie r  m e tho d  [7 - 9] ,  Mult i - le vel  SV M  a nd  Ext rem e  Lea rn i ng   Ma c hin e   with  K - Me an  [10] ,  Decisi on  Tree   and   S VM  [ 11 ] ,  Tree  A ugm e nted  Naï ve  Ba ye s  (TAN)   an d  Re duced  E rror   P runin g  (R EP)  [ 12] .  IDS - relat e d  stud ie s  us i ng c lusterin g  in cl ude  K - Me a n,   K - Me do i ds , A - S PO T  [ 13 ] , C A NN  [ 14 ] .    On e  m et ho d  of  cl assifi cat ion  and   re duct io n  d at a  that  can  visu al iz e  the  le arn i ng   proces s  is  SO M.  I n  so m e  stud ie s  SO M  able  to  so lve  the  pro blem   of   cl assif ic at ion   with  bette r  res ult  [ 15 ] .  Howe ver,   SO M   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   919   –   926   920   exp e rience d  c on st raints  in  e ff ic ie ncy  du rin g  the  process  of   le ar ning  with  la rg e  data  ( Bi g  Data),  t his  have     high  ti m e  con s um ing .  T he  prob le m   is  du e   to  the   c har act er ist ic s  of   SO M  that  cal culat e  the  distance  bet we e n  input  vecto r  and   re fe ren ce  vecto r  to  deci de  the  winnin g  ne uro n  on   the  hidden  la ye r  fo r  eac h  epo c h.     Bi g  data  pr ob l e m s  see m   to  be  face d  by  L i  at   al .  [1] ,  th ey   j us t  sel ect   5,552  in sta nce s  from   KD D  Cup   99  sam ple  data  as  the  trai ning  da ta ,  an d  5,552  instances  a s  te sti ng   data  f or  their  e xperim ent,  not  f ro m   the  entire   KDD  C up 99 d at a.   Ba sed  on   rese arch   c onduct e d  by  Alaha koon  [ 16] ,  G r ow i ng  Self  Orga nizing  Ma p  ( GSOM)  ca n  be   us e d  to  buil d r efere nce  vecto r  g ra dual ly  b ase d on trai ning  da ta . How e ve r,  t his ab le  t o  s olve  the  prob l em  i n  the   first  ep oc h  on ly ,  in  nex t  e poch ,  to po l og ic al   m ap  will   be  la rg er ,  an d  t he  pr ob le m   of   tim e  con su m e  will   reappear   on  ne xt  ep oc h.  Th is  stud y  pro poses  Re st rict ed  Gro wing  Se lf  O rg a nizin g  Ma p  with  cl ust eri ng   ref e ren ce  vector   (R GSOM - C RV)  an d  Pa rall el   RGS OM - C RV  to  so lve  t he   issue  on   regular  G SO M  to   handle   big   data  pro blem s.  This  resea rch  will   m easur e  RG SO M - CR V  an d  Parall el   RGSO M - C RV  ef fici ency  of   ti m e   consum ing  a nd accu racy, f al se ala rm  r at e, p r eci sion ,  and  re cal l.       2.   RESEA R CH MET HO D   This  resea rch   proce dure   sho wn   in  Fi gure  1.   Feat ures  f r om   dataset   wi ll   be  sel ect ed  accor ding  to   sel ect ed  featu r es,  an d  eac h  fe at ur e  value  will   be  no rm alizi ng   befor e  proce ss  at   RGS OM - CR V.   D at a  trai n  a nd   data te sti ng w il l be treat s am e  way b e f or e  pro cess in R GSO M - CR V.           Figure  1 .  Rese arch p ro ce dure       2.1.     K D D Cu p 99 D ataset   Dataset   KDD  Cup   99  f ro m   UCI  sepa rate  with  10%  data   trai n  (4 94, 02 1  instances )  and   data  te st  (4,89 8,431  i ns ta nces),  it ’s  ha ve  41  feat ur es .   This  dataset   c at egory   in  4  at ta cks  cl ass  dos ,  pro be,  r 2l,  u2 r  an d  norm al   cat ego r y.  This  re searc h  will   us e   al l  da ta   prov i ded  by   this  dataset   to  m easur e  the eff ic ie nt  a nd   e f fecti ve   of prop os e d  m et hod  to  h a ndl e b ig  d at a  pro bl e m s.     2.2.     Sele c ted Fe ature   Data  trai n  w il l  be  pr oces ses  with  sel ect ed  featur e s .  Accord i ng   to  KDD  Cu p  99  ta sk   (h tt p:// kdd.i cs. uci.edu/data ba ses/kddc up99/t ask.htm l)  wh ic h  a dap te d  fro m   Stolfo   et   al   pa per  [ 17] ,  th ere  a re  three  ty pes  fe at ur e  sel ect io n,  basic  feat ures  of   i nd i vidual  TCP  co nnect ion,  c on te nt  featu res  within  a   connecti on  s uggested  by  dom ai n  knowle dge ,  an d  tra ff ic   fe at ur e  c om pu te d  usi ng  a  tw o - seco nd   ti m e  window .   In  this  resea rc h  basic  featu re s  of  i nd i vidual  TCP  c onnecti on  cat eg or y   ty pe  be  c hose n.   Feat ur es   us ed   in  this   ty pe  are  durati on, pr oto c ol ty pe,   ser vice,  flag,  s rc  byte s, ds t byt es, lan d, w ron g  f ra gm ent, urg e nt.      2.3.     No r mali z e Feat ure   Af te r   dataset   s el ect ed  by  basi c  featur e  ty pe,   and   the n  this  f eat ur e  will   be  norm al izing   wi th  (1)  befor e   processe d  wit h  RGSO M .  Where  n  is  norm alized  value ,  x   is   real  value ,  ar gm in  (F i)  is  sm al le st  value  fro m   i - th   featur e s,  a r gma x  (F i)   is  la r ge st  value   f ro m   i - th   featu res.  A fter  norm al iz e  data  will   proce ss  in   RGS OM - CR V   to b e  train  and  then  te st  with  da ta  test .     n = x   −   arg m in ( Fi ) arg m ax   ( Fi ) −   arg m in ( Fi )   (1)   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  250 2 - 4752       An omaly - base d  intr us io n det ect or  syste m us ing   restri ct e…  (Tom i Y ahy a  C hr ist yaw an )   921   2.4.     G SO M   Grow i ng   S O M  is  m od ifie d  regular   S OM  w hich  pro pos ed  by  Ala hakoon  [16] .  GSOM  pr ocedure   accor ding  to  A la hakoon  are  I niti al iz at ion   phase,  Gro wing  ph a se,  an d  Sm oo t hing  phase.   Figure  2  sho w  ne w   node  ge ner at io n  from   the  bo unda ry  of  t he  netw ork.  Fig ure  2a   is  init ia l  node  us i ng  4  nodes   as  ref e r ence   vecto r.   Fig ur e  2b   s how  that  hi gh   er ror  occ urs  wh e n  winne r   node  distance  with  ref e re n ce  vecto r  is  m or e  than   grow i ng  thres ho l d.   Fig ur e  2c   sh ow  the  grow i ng   s hcem a   of   GSOM.  G rowin g  phase  will   occu r  if  gro wi ng   thres ho l d  sm al l er th a n dist anc e of  winner  no de.           Figure  2. Ne w node  ge ner at io n from  the b ou nd a ry  of  t he ne twork       2.5 .      RGSOM - C RV   This  researc h  pro po se  RG S OM - CR V ,  this  m et ho d  is  extend   f r om  reg ul ar  SO M  [15]   and   re gula r   GSOM  [16] .  T he  dif fer e nt  wi th  regular  GSOM  is  the  gro wing  of  ref e re nce  vect or   is  r est rict ed  by  m axim u m   siz e  of   node s  ( MN),   a nd   tw o  gr i d  m ap  di m e ns io ns .  Ma p  w il l  be  gr owin g  if  distance  fro m   winn in g  node   with  input  node  is  m or e  that  gr owin g  th reshold   (G T ).   If   th e  le ng t h  of  nodes  i n  m ap  m or e  th at   MN,  m ap  will   stop  grow i ng  a nd  r eupdate  by  sel ect ed  ra ndom l y  on e   re fer e nc e  vecto r  w hich  nev e r  h it   ( not  be   wi nn e r  ye t)  by   input.  Af te r  s el ect   winn e r  node ,  sam e  with  re gula r  S O M,  weig ht  of   neig hborh ood  will   be  up date .  O ne  ref e ren ce   vect or   c ould  be  m or e  t ha n  one  ti m e  sel ect ed  to   be  winner   no de  cal le d  cl us t erin g  re fer e nce   vecto r  (CRV) .  Cl us te rin g  re fer e nce  vecto r  will   be  a  gro up   of  in put  with  sim il ar it y  weigh t  acc ordin g  to   m ini m u m   GT.   CR V  m eth od  will   reduc e  the  siz e  of   t opog raphical   m ap,   t his  m et ho d  ca n  de crease   tim e  con su m i ng  w he n  sel ect  w in ner   node  pr ocess.    Figure  3  is  t he   flo wc har t  of  RGS OM  proc edure ,   an d  Fig ur e   3a   is  the   whole  process   of  RG SO M   proce dure.  I n  i niti al iz at ion   process  us e r  nee d  set ti ng  the   m axim u m   m ap  siz e  and  m axi m um   no de   f or  th e  m ap   this  propose  f or   rest rict ed  the  siz e  of   the   gr owin g  no de   in  the  m ap.   User   al so   set ti ng   the  value   of   sta rt   le arn in g  rate  and  sto p  le a r ning  rate,  sta r t  gro wing  t hresh old ,   sto p  gro wing  t hr es hold,   a nd  m axEpoch.  In it ia li zat ion  pro ces s also  g e ne rate i niti al  n in e ref e re nce  vec tor n od es  for t he  m ap,  as sho w n on Fig ure  4a.     ( ) =    (   )    (2)      =     { ‖ − ‖ }     (3)     ( + 1 ) =   ( ) +   ℎ    (   ( ) − ( )   )     (4)     ℎ  =   ( )   −   ( ‖ −   ‖ 2 2   ( ) )     (5)     Figure  3b  is  tr ai nin g  process   flow c har t .  U pdat e  le arn in g  r at e  and   up date  grow i ng   th res ho l d  us i ng   m on oto nic  de crem ent  fu nction,  fig ur e  ou t   by  (2 ) ,  w here  S(t)   is  the  updated  le ar ni ng   r at e  or   gr ow i ng   thres ho l d,        is  sta rting   value,     i s  en ding  val ue ,   t   is  curre nt  epo c h,      is  m ax  epo c h.   Lear ning  rat e   and   gro wing  thres hold  updat e  us ed  to  set   c urren t  le ar ning   rate  and   gro w ing   th res ho l d  at   cur re nt  ep oc h.   T he  winner  node   c al culat e  us e  re gu la r  S OM  pr ocedu re  f ollo w   by  ( 3).  Wh e re ,  win   is  wi nn e r  no de,   x   is  th e  input  vecto r  an d    is  k - th   re fe r ence  vecto r.   Re fe re nce  ve ct or   a re  li st  of   no des  ge ner at e  by  first   node  (n i ne  s quar e   node  w hic h  po sit ion   is  in  the  center  of  m ap  Figure  4a )  an d  gen e rate  by  gr ow i ng   functi on .  If   winner  distance  m or e  than  the  grow i ng   th res ho l d  in  the  cu rr e nt  epoch  a nd  ge ner at e d  node s  le ng t h  s m al le r  than  m axim u m   node,   ref e ren c e  vector   will   gr ow  with  r an dom   weigh t.  If   gen e rated  node s  le ng th  m or e   than  m axi m u m   no de ,   unus e d  ref e rence   vecto r  will   be  re updated .   U nu se d  re fere nce  vecto r  a r e  node s  that  ne ver  hit  or   no t  ye t   sel ect ed  to   b e  w in ner.  T he  sc hem e  of   t he  grow i ng o f  R GSOM  s how n  on Figure 4 c.  N ei ghbor hood of w in ning   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   919   –   926   922   neur on  will   be   update d  us e  ( 4),  w he re  ℎ    is  ga us ia n  nei ghbo rho od   f un ct io n  decide   by  ( 5) .   Lear ning  rate   no ta ti on  is  ( )   and   σ( t )   is  neighbor hood  ra dius,  bo th  a re  a  m on oto nical ly   decr easi ng   sc al ar  functi on  of  t   fo ll ow   the   r ule   of   ( 2),    is   k - t h  neig hborh ood of win ner node .  Sele ct e d  winner  n ode   will  be  pus h  to   the   li st  of   us e d  nodes .   Figure  3c  is  te stin g   procedu re  f lowc har t.  At  te sti ng   pur pose,  the  winne r  will   be  cho se n  f rom   m ap   gen e rate  by  tra ining   ste p  an d  us e d  node s  will   be  sel ect ed  to   be  ref e re nce  ve ct or   f or   te sti ng  in pu t.  T he  w inn e r   node  will   be   use d  t o  cal culat e  Tr ue  Ne gativ e  (T N),  T ru e   P os it ive  (TP),  F al se  Ne gative  ( FN ) ,  False   P osi ti ve   (F P )  val ues.   T ru e  ne gative  is   correct   predic ti on   w hich  rea l  cat ego ry  is  norm al   and   la be le d  as  norm al .  Tru e   po sit ive   is  c orrect  pre dicti on  w hich   real  at t ack  cat e gory  a nd  la bele d  as   at ta ck.   False   ne gative  is   inc orrect   pr e dicti on   w hich  the  real  cat egory  is  at ta ck   bu t  pr e dicte d  as  norm al .  False   po sit ive  is  inco rr ect   pre dicti on  wh ic h  the  r eal   cat egory is n or m al  b ut labele d  as  att ack.           Figure  3. Flo w char t R GSOM - CR V  Proce dur e.           Figure  4. S qu a re  grow i ng no de  sch em a   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  250 2 - 4752       An omaly - base d  intr us io n det ect or  syste m us ing   restri ct e…  (Tom i Y ahy a  C hr ist yaw an )   923   2.6.  Me asure ment   This  e xperim e nt  has  four  m e asur em ent s  to   evaluate  t his  m et ho d,  acc uracy   (A CC ),   fal se  al arm   rate  (F AR ),   detect ion   rate  (DTR )   or   recall ,  pr e ci sion .  Accura cy   is  total   cor rectl y  cl assifi e d  exam ple  to  total   nu m ber   of exa m ple. A ccur ac y ca lc ulate  w it h (6):     ACC = TP + TN TP + TN + FP + FN   x   100%   (6)     False   al arm   rate  is  pe rcen ta ge   of  no rm al   categ ory   that  ha ve   bee n  la bel  a s  at ta ck  to  t ota l  nu m ber   of  norm a l   exam ples, and c al culat e as (7):     FAR = FP TN + FP   x   100%   (7)     Detect ion   rate  or r ecal l i s sta ndin g for c orrec tl y l abel as att acks t o  total   num ber  o f  at ta c ks , use (8 )  as  form ula.     D TR   or   Recal l = TP TP + FN   x   100%   (8)     Pr eci sio n  is  be ing   the  per ce nt age  of  co rr ect l y  la bel  at ta cks  as  at ta cks  to  total   nu m ber   of   instance  la bel ed  as  at ta cks,  a nd calc ulate  w it h ( 9) :     Preci sion = TP TP + FP   x   100%   (9)       3.   RESU LT S  AND DI SCU S S ION   RGSO M - CR V   and   Pa rall el   RGS OM - CR V  i n  this  ex per im ent  will   init ia lize  with  sam e  s ta rt  le arn in g  rate  (LRsta rt ),  stop  le arn i ng   rate  (LRst op),   sta rt  gro wing  thre shold  (G Tsta rt),   sto p  grow i ng  thr esh ol d  (G Tst op),  m ax  ep och,  m ap  siz e.  T his  ex pe rim ent  us es  LR sta rt=0.9,  LRst op=0 .1,  GTstart =0.05,  GTstop =0.01,   m axEpoch = 4,   m apSize=100 x100. Ma xim u m  n od e f or RG SO M - CR V  is 500 0  an d  m axi m u m  n od e  for  Parall el   RGSO M - CR V   dif fer e nt  bet ween  prot oc ol,  U dp  ha ve  m axim u m   no des   3000,  an d  tc p  a nd  ic m p  is   5000 ,   diff e re nt  val ue   of  this  s et ti ng  is  beca us e  ud p  at   trai ning  in sta nce  m uch   f ewer  that  tc p  a nd  ic m p  as  show n  at   Table  1.   This  exp e rim ent  us ing  com pu te r   w it h  sp eci ficat io n:  P ro ces sor  Int el   Core  i 7 - 6500U  CP U   @ 2.5 G H z   2.60 G Hz, M e m or y 8 G B,  w i th syst em  6 4 - bi t Op e rati ng Sy stem .   Tab le   2   s how   the  regular  GSOM  co nsum e  m or e  than  2  da ys  and   e nd e d  in  seco nd   e po ch  beca us e   hav e  m e m or y  lim it   issue  du e   the  m ap  gr ow ing   bigger .  Fro m   this  exp eri m ent,  GSOM  no t  ca pab le   t o  handle   la rg e  data  in  our  e xp e rim ent  du e  the  li m i ta tio n  of   m e m or y  and   ti m e  con sum ing   and   t his  is  no t  w horted  t o  be  con ti nue d.         Ta ble  1.   Distri bu ti on  of P ro t oc ol Type   Proto co l T y p e   Co u n t   ic m p   2 8 3 .602   tcp   1 9 0 .065   udp   2 0 .35 4       Table  2.   GSO M E xperim ent     ACC   FAR   DTR/Recall   Precisio n   Tr ain in g  T i m e   ep o ch   1   -   -   -   -   0 2 :3 2 : 1 1   ep o ch  2   -   -   -   -   More than  2 d a y s a n d  then  sto p p ed       The  resu lt   fro m   five  exp e rim ents  of  Paral le l  RGSO M - C RV  s how  in   T able  4.  T he  a ve rag e   Parall el   RGSO M - CR V   accu racy  is  91. 86%  an d  fal se  al arm   rate  is  20. 58%,  reca ll   or   detec ti on  rate  is  95.32 %,  an d  pr eci sio n  is  94.35%.  T he  a ve rag e  ti m e  con s um e  wh il e  trai ning  usi ng  Pa r al le l  RGSO M - CR V  is  6  hour s  33  m inu te  and  18  seco nd (four  e po c h).  H ow e ve r,  ti m e con su m ing   f or  test in g  i s 46  m inu te s a nd 39 se co nd.   Fr om   Table  3   and  Ta ble  4  Pa ral le l  RGSO M - CR V  is  ou t pe rfor m   than  R G SO M - CR V  wit h  91.86%  i n  accuracy,   false   al arm   rate  is  20.58% ,  95.32 %  f or   recall ,  a nd  94. 35%  i n  pr eci sio n.  H oweve r,  preci sion  f ro m   bo t h  ex per im ent  ha ve  good  r esult.  From   Ta ble  3  at   thir d  exp e rim ent,  accuracy  of  RG S OM - CR V  ha ve   good   resu lt   tha n  othe r  e xp e rim ent.  This  ca n  be  ha pp e ne d  becaus e  RGS OM - CR V  is  gen e rate  r andom ly   and   in  eac h  exp e rim ent,  so  differe nt  res ul t  m ay   be  ob ta ined.  RGS OM - CR V  m ay be  cou l d  hav e  dif fer e nt  res ult  to o  f or   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   919   –   926   924   diff e re nt  G TSt art  an d  GTst op  set ti ng .   T he  r es ult  f ro m   the  fifth  e xperim e nt  usi ng  Pa rall el   RGS OM - C RV  f or   each p r oto c ol  s how n  at   Ta ble  5.   T he  par al le l R GS OM - CR V   ha ve  total   acc ur acy   is 97.27 %,  false  al arm   rate  is  12.72% ,  recall   or  detect io n  r at e  is  99.79% ,   an d  pr eci sio n  is  96.87% .  Ic m p  pr ot oco l  ha ve  la r gest  acc ur at io n,  false al arm  r at e, d et ect io n rate  and lar gest  preci ssion .   Five  ex per im e nts   for  both  m et hods   will   be   evaluated .  Ta ble  3  sho w  th e  resu lt   of   fiv e  exp e rim ent   us in g  R GSOM - CR V.   The   av erag e   RGS OM - CR V  acc ur ac y  is  51. 45 %   an d  false  al arm   rate  is  11. 80 % ,  recal l   or   detect io n  ra te   is  41 .78%,  a nd   pr eci sio n  is  93 . 09%.  T he  aver a ge  of  tim e  con s u m e  trai ning  us in g  RG SO M - CR V  is  5  ho urs  and   31  m inu te s  and   1  sec on d.   Tim e  con sum e  wh il e  te stin g  is  1  ho ur   a nd   44  m inu te s  and   59   seco nd.       Table  3.  R GSOM - CR V  Exp erim ents R esult     ACC   FAR   DTR/Recall   Precisio n   Tr ain in g  T i m e   Testin g  T i m e   Exp eri m en t 1   3 8 .22 %   1 8 .08 %   2 4 .52 %   8 1 .21 %   0 5 :1 7 : 2 4   0 1 :3 9 : 0 5   Exp eri m en t   2   3 8 .62 %   1 8 .69 %   2 7 .94 %   8 5 .66 %   0 5 :2 5 : 4 2   01 :3 2 : 5 6   Exp eri m en t   3   9 7 .74 %   9 .71 %   9 9 .61 %   9 7 .60 %   0 5 :3 4 : 3 0   0 1 :4 8 : 1 2   Exp eri m en t   4   4 1 .12 %   7 .48 %   2 8 .25 %   9 3 .78 %   0 5 :4 3 : 0 3   0 1 :2 7 : 2 6   Exp eri m en t   5   4 1 .54 %   3 .87 %   2 7 .85 %   9 6 .64 %   0 5 :3 7 : 0 1   0 2 :1 7 : 1 6   Av erage   5 1 .45 %   1 1 .80 %   4 1 .78 %   9 3 .09 %   0 5 :3 1 : 3 2   0 1 :4 4 : 5 9       Table  4.   Parall el  RGSO M - C RV E xp e rim ents R esult     ACC   FAR   DTR/Recall   Precisio n   Tr ain in g  T i m e   Testin g  T i m e   Exp eri m en t   1   9 7 .54 %   1 1 .02 %   9 9 .72 %   9 7 .26 %   0 8 :3 2 : 1 1   0 0 :5 2 : 4 8   Exp eri m en t   2   9 4 .79 %   1 9 .93 %   9 9 .48 %   9 4 .01 %   0 6 :1 5 : 5 9   0 0 :4 2 : 0 2   Exp eri m en t   3   7 8 .51 %   1 7 .52 %   7 7 .26 %   9 3 .34 %   0 5 :5 1 : 2 2   0 0 :5 7 : 0 7   Exp eri m en t   4   9 1 .21 %   4 2 .68 %   9 9 .69 %   9 0 .32 %   0 6 :1 8 : 4 6   0 0 :4 7 : 3 8   Exp eri m en t   5   9 7 .27 %   1 2 .72 %   99. 79%   9 6 .87 %   0 5 :4 8 : 1 6   0 0 :3 3 : 4 2   Av erage   9 1 .86 %   2 0 .58 %   9 5 .32 %   9 4 .35 %   0 6 :3 3 : 1 8   0 0 :4 6 : 3 9       Table  5.   Parall el  RGSO - CR V   Re su lt  Eac h  P ro t oco l at   Ex pe rim ent 5   Proto co l   ACC   FAR   DTR/Recall   Precisio n   ic m p   9 9 .74 %   5 6 .80 %   1 0 0 .00 %   9 9 .74 %   tcp   9 3 .39 %   1 4 .97 %   9 9 .44 %   9 0 .17 %   udp   9 8 .48 %   0 .52 %   3 3 .41 %   4 9 .60 %   Total   9 7 .27 %   1 2 .72 %   9 9 .79 %   9 6 .87 %       Fo r  m or e  detai l  insigh t  we   can  stu dy  w it h  the  m ap  gen e rated  i n  each  ep oc h,   wh ic h  sho w n   at   Figure  5 - 7.   Fr om   the  vis ua li zat ion   show n  at   Figure  5 - 7  t her e  a re  ne w  knowle dge  of  in form ation   a bout  th e   tr ai ning  proce s s  of   Pa rall el   RGS OM.  Fig ure   5  at   udp  proto col  show n  that   nodes  wh ic h  s epar at e  ra ndom ly   is   nodes  t hat  ge ne rated  by  re update  unuse d  re fer e nce  ve ct or   process .  The  r andom ly   separ at e  of   s om e  node  al so  app ea r  at   Fig ure  7  f or  TCP   and  ud p  proto col.  At   Icm p  protoc ol  f r om   first  un ti l  f our th  ep oc h  s how n  that   decr easi ng of  use d refe ren ce  vec tor n um ber , t hat m ean th ere  are m or e sim i l ar  weig ht in  t ra ining data.   Parall el   RGS OM - CR V   is  outpe rfor m   regular  R GSOM  in  ef fici ency  of  tim e  con s um e,  it s  sp e nd  aver a ge  6  ho ur  and   33   m inu te s  and   18  sec ond  w hile  trai ning,  an d  46  m inu te s  and   39  seco nd   for  te sti ng .  Trainin g  tim e  consum e  wh e n  us in g  R GSOM - CR V   is  be tt er  than   Pa ra ll el   RGSO M - CR V,   this   bec ause  i n  par al le l  RGS O M - CR V  the re   are  proce dure   to  sel ect in g  input  acc ordin g  to   prot oco l  ty pe.   H oweve r ,  tim e  consum ing   f or  te sti ng   usi ng  Parall el   RGSOM - CR V  is  bett er  tha n  RG SOM ,  this  beca use   at   par al le l  RGS OM   gen e rate  le ss  use d  nodes   in  t he  m ap,   s o  ti m e  fo r   sca nn i ng  the   wi nn e r  node   m or e  ef fici ent.  T he  prob l e m   of  Re gu la r   G SOM   for  cl as sifi ed  big   data  ha s  bee n  fi xe d  by   RGSO M - CR V  an d  Parall el   RGSO M - C RV,  th e   restrict ed  of   node s  le ngth  ge ner at e  by  gro wing  th reshol d  m ake  the  li m i ta ti on   of  m ap  to  gr ow i ng   bigger  a nd   bigger .  Cl us te rin g  ref e ren ce   vect or  m ake  RGSO M - CR V   capa ble  to   ge ner al iz e  weig h t  base  on  grow i ng   thres ho l d.   Fr om  Tab le  6 , Paral le l R GS O M - CR V  has  l ower acc ur acy  t han   oth e r  m et h od s , but let  see the n um ber  of   te sti ng  data,   pro posed  m et hod  ha ve  4,898,431  i ns ta nce s  as  te sti ng  dat a,  an d  ha ve  le s s  featu re  to   pr ocess.  W it h  a  la rg e r  am ou nt  of   te ste d  data,  Pa rall el   RGSO M - CR V  is  capab le   of   pr od ucin g  91. 86%  accuracy,   so   this   m et ho d ve ry pr om isi ng  to  s olv e the  b i g data  pro blem s in  cl assifi cat ion .       Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  250 2 - 4752       An omaly - base d  intr us io n det ect or  syste m us ing   restri ct e…  (Tom i Y ahy a  C hr ist yaw an )   925   Table  6.  C om par iso n of p rop ose d  m et ho d wit h othe r  m et ho ds by  nu m ber   of  trainin g data, t esi ng d at a,   featur e s,  a nd a ccur acy .   Metho d   Tr ain in g  Data   Testin g  Data   Featu res   ACC  %   KNN  [ 1 ]   5 ,55 2   5 ,55 2   15   9 7 .69 %   SVM+ EL M  b ase  K - m e an   [ 1 0 ]     4 9 4 ,021   3 1 1 ,029   41   9 5 .75 %   TAN+R EP  [ 1 2 ]   3 2 6 ,053   1 6 7 ,968   No t pro v id ed   9 8 .99 %   Parallel  RGSO M - CRV   4 9 4 ,021   4 ,89 8 ,431   9   9 1 .86 %           Figure  5. Ma p gen e rated  w it h Parall el  RGS OM - CR V  for f irst ep och at e xperim ent 5           Figure  6. Ma p gen e rated  w it h Parall el  RGS OM - CR V  for s econd e poch  at  experim ent 5           Figure  7. Ma p gen e rated  w it h Parall el  RGS OM - CR V  for   thir d  e po c h  at  e xp e rim ent 5       4.   CONCL US I O N   Fr om   this  exp erim ent  Parall el   and   RGSO M - CR V  ou t perform   than   reg ula r  GSOM  in  tim e   consum ing ,  s o  this  pro pose  m et ho d  is  m ore  eff ic ie nt  tha n  GSOM  m et ho d,   a nd  f ro m   com par at ion   with  ot he r   m et ho d,  the  re su lt   of  Parall e l  RGSO M  is  acce ptable  with  91. 86%  for  accuracy,  false   al arm   rate  aro un d  20.58% ,  re cal l   or  detect ion  r at e  is  95. 32%,   an d  94.35%   in  pr eci sio n.  T his  stu dy  al s o  con cl ud e   that  f ind   t he   best of m axi m um  n od e  w il l i ncr ease  the e ff i ci ency, and R GSOM ge ne rali ze capab il it y d epend  on  GTst art an d  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   919   –   926   926   GTS t op.  T he  capab il it y  to  gen erali ze  ref e re nce  vecto r   m a ke  accura cy   and   detect ion   rat e  acce ptable.  F ind in g  the opti m u m  p aram et er s et ti n g of g rowin g  t hr es holds  can   be use d  as a  r e fer e nce  for  th e  fu t ur e  resea rch.       REFEREN CE S   [1]   L.  Li ,   H.  Zha ng ,   H.  Peng ,   and  Y.  Yang.  Nea r e st  Neighbor s  ba sed  density   peaks   appr oac h   to  i ntrusion  detec ti o n.   Chaos,   Soli tons  &  Frac ta ls .   2018 ;  110:   33 – 40.   [2]   E.   Kabi r,   J.   Hu,  H.  W ang,  and   G.  Zhuo.  A  novel   sta ti sti ca l   t ec hniqu e  for  in t rusion  det e ct ion   s y stem s.  Futur e   Gene ration  Com pute r  S y stems .   2 018;  79:   303 – 31 8.     [3]   M.  Ahm ed,   A.  Naser  Mahm ood,   and  J.  Hu .   A  surve y   of  ne twork  anomal y   de te c ti on  t ec hniqu es.   Journal  of  Ne tw ork  and  Computer  A ppli cations .   201 6;  60:   19 – 31.   [4]   E.   de  la   Hoz,   E .   de  la   Hoz,   A.   Ortiz ,   J.  Orteg a,   and  A.  Martínez - Álvar ez.  Feat ure   sel ec t ion  b y   m ult i - obj ec t i ve  opti m isat ion:  Applicati on   to  n e twork  anomal y   det e ct ion   b y   hi e rar chica l   self - or gani sing  m aps.   Knowle dge - Base d   Syste ms .   2014;   7 1:  322 – 338.   [5]   Z.   Chib a,   N.  A bghour,   K.  Mous said,   A.  El   O m ri,   and  M.  Ri da.   A  novel   archit e ct ure   combined  with  opti m al  par amete rs  for  bac k  propa g atio n  neur al   n et wor ks  appl ie d  to  an om aly   n et work  int rusion  de te c tion.  Computers   &   Sec urit y .   2018;  7 5:  36 – 58.   [6]   F.  Al  Huda,   W .   Firdaus  Mahmud y ,   and  H.  To ll e .   Android  M al ware   De te c ti o n  Us ing  Bac kpropa gation  Neura l   Network.   Indon e sian J ournal  o f El e ct rica l  Eng in ee ring a nd   Computer  Sc ie nc e .   2 016;  4(1):   240 - 2 44.     [7]   C.   Xiang ,   Y.  Xi a o,   P.  Qu,   and  X.   Qu.  Network  Int rusion  Detect ion   Based  on  PS O - SV M.  T ELKOMNIKA  Indone sia n  Jou rnal  of   Elec t rical   Engi ne erin g .   2014;   12(2):   1 502 - 1508.   [8]   A.  Kara m i  and  M.  Guerre ro - Zapat a .   A  fuz z y   an om aly   de te c ti on  s y stem  base d  on  h y brid  PS O - K m ea ns  al gorit hm   in   cont en t - ce n tric  n et works .   Ne uroc omputing .   2015 ; 149:  1253 – 1269.   [9]   A.  H.  Ham amot o,   L.   F.   Carva lh o,   L.   D.  H.  Sampa io,   T .   Abrão,   and  M.  L.   Proenç a.   Network  Anom aly   Detect io n   S y stem using  Ge net i c  Algori thm  and  Fuzz y   Log ic.  Exp ert S y st ems   with  Appl icati o ns.  2018;  92 :  39 0 – 402.   [10]   W .   L.   Al - Yasee n,   Z.   A.  Othm a n,   and  M.  Z.   A .   Naz ri .   Multi - l eve l  h y b rid  sup port  vec tor  m achine   and  ex tre m e   le arn ing  m ac hin e  base d  on  m odifi ed  K - m ea ns  for  int rusion  detec t ion  s y stem.  Ex pert  Syst ems  wit h  Appl i cation s .  2017;  67:   296 – 3 03.   [11]   G.  Kim ,   S.  Le e ,   and  S.  Kim .   A  novel   h y brid  in tr usion  det e ct ion  m et hod  int egr at i ng  anomal y   d ete ct ion  with  m isuse  det e ct ion .   Ex per t  Syst ems wi th   A ppli cations .   201 4;  41(4):   1690 – 1 700.   [12]   K.  Raj ase k ara n  and  K.  Nirm al a .   A  Novel  and  Advanc ed  Dat a  Mining  Model  base d  H y brid  In trusion  Detect io n  Fram ework.   TE L KOMNIKA  Indone sian J ournal   of  E le c tric al   En gine ering .   2015;   13(2):  223 - 231.   [13]   J.  Jabe z  and  B .   Muthukum ar.   Intrusion  Detect i on  S y stem  (IDS ):  Anom aly   Detect ion  Us ing  Outli er  De te c ti o n   Approac h.   Proc edi a  Comput er  S ci en ce .   2015;   48 :  338 – 346.   [14]   W. - C.   Li n,   S. - W .   Ke,   and  C. - F.  Tsai .   CAN N:  A n  int rusion  det ection  s y stem  base d  on  combining  cl uster  c ent ers  a nd   nea rest   ne ighbor s.  Knowle dg e - B ased  Syste ms .   20 15;  78:   13 – 21.   [15]   T.   Kohonen .   Essentials  of   the sel f - orga nizing  m a p.   Neural   Ne two rks .   2013;   37:  52 – 65.   [16 ]   D.  Alaha koon,   S.  K.  Halga m uge,   and  B.   Srin iv asa n.   D y namic  self - orga ni zi ng  m aps  with  cont roll ed  growth  fo r  knowledge   d isco ver y .   IEEE  Tr ansacti ons on  N eural  Ne tworks .   200 0;  11(3):   601 – 61 4.   [17]   S.  J.  Stolfo,   W .   Fan,   W .   Lee,   A.  Prodrom idi s,  and  P.  K.  Chan.   C ost - base d  Model ing  and  Ev al ua tion  for  Data   Mini ng   with  Appli ca t ion   to  Fraud   and   Int rusion  Detect ion :  Result s   from   th e  JA M Proje c t. 2 000.     Evaluation Warning : The document was created with Spire.PDF for Python.