Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   3 ,  June   2020 ,  pp.  2701 ~ 2709   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v10 i 3 . pp2701 - 27 09          2701       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   A techni ca l  re view and  comp arative an alysis of ma chine  learnin g techniq ues fo r int rusion d etection  systems i n MANE T       Sa f aa L aq tib 1 ,  Kh alid El  Ya ssini 2 , Moul ay Lah ce n H as n aoui 3   1,2 Inform at ic s  an d  Applicati ons  L abor at or y   (IA),   Depa rtment  o f M at hematics a n d  Com pute r  Sci e nce ,     Facul t y   of  Sci en ce s,  Moul a y   Ism ai l   Univer sit y ,   Morocc o   3 ISIC E STM,  L2 MI L abor a tor y ,   ENSA M,  Moulay   Ism ai l  Univ ersity ,   Morocc o       Art ic le  In f o     ABSTR A CT     Art ic le   hist or y:   Re cei ved   J un   28 , 2 019   Re vised  N ov 20 , 2 019   Accepte d  Dec   4,   2019       Mac hine   le a rnin g  te chn ique s  ar e   bei ng  wide l y   u sed  to  develop  a n  int rusion  det e ct ion   s y st e m   (IDS )  for  det e ct ing   and  class if y ing   c y b er   at t ac ks  at     the   net work - l ev el   and  the   host - le ve l   in  a  ti m ely   and  aut om a ti c  m anne r.  How eve r,   Tra d it ional  In trusio n  Detect ion   Sy stems   (IDS ),  base d  on   tra ditiona l  m ac h ine   l ea rn ing  m ethods ,   lacks  relia bil ity   and  accurac y .   Inst ea d   of  the  tra d it ion a l  m ac hin e  l ea rn ing  used  in  pr e vious  rese ar che s ,   we  thi nk   dee p   l ea rn ing  h as  the   po te nt ia l   to  per form   be tter  in  ext r ac t ing   fea tu res  of   m assive  dat a  co nsideri ng  the   m assive  c y b er  traffic   in  real  li fe .   Gene rall y   Mobile   Ad  Hoc   Networks  have  give n   the  low  ph y sic al  sec uri t y   fo r  m obile   devi c es,   b ec ause   of  th e  prop ert i e s  suc h  as  node   m obil ity ,   lack  of   ce n tra l ized   m ana gement  an d  li m it ed  band width.   To  t ac k le   the se  se cur i t y   issues,   tra ditiona l  cr y pt ogra ph y   sch emes  ca n - not  complet e l y   saf egua rd  MA NETs  in  te rm s  of  novel   t hre at s  and  vuln era bi li t ie s,  thus  b y   apply ing   De ep  learni ng   me thods  te chniques  in  IDS  are   ca p abl e   of  ada pti ng   the   d y n amic   envi ronm ent s  of  MA NETs  and  ena bl es  the   s y st em  to  m ake   de ci sions  on  int rusion  while   cont inui ng  to  l e arn   about   their  m obil e  envi ron m ent .   An  IDS  in  MA NET  is  a  sensoring  m ec hani sm   tha t  m onit ors  nodes  and  net work   ac t ivi ties  in  orde r  to  detec t  m al ic ious  actio ns  and  m al ic io us  at te m pt   per form ed  b y   I ntrude rs.  Recent l y ,   m ult iple  deep  le arn ing  appr oac hes  hav e   bee n  proposed  t o  enha n ce   th e  per form anc e  of   int rusion  de tection  s y stem.     In  thi s  pape r ,   we  m ade   a  s y s t ematic  compari son  of  thre e  m odel s,   Inc epr t ion   arc hi te c ture   co n volut ional  neur a l  net work  (Inc e pti on - CNN ),   Bi dire c ti ona l  long  short - te rm   m emory   (BLSTM)  and  de ep   bel i ef  ne twork  (DBN )  on    the   de ep  learni n g - base d  int rusio n  det e ct ion  s y st ems ,   using  the   NS L - KD D   dat ase t  cont a in ing  informati o n  about   int rusion  and  reg ul ar  net work  conne c ti ons,   the  goal  is  to   prov ide   b asic   gu idance   on   th e  cho i ce   of   de ep   le arn ing  m odel s  in  MA NET.   Ke yw or ds:   Atta ck   BLSTM   DBN   Deep l ear ning   In tr us i on   detect ion   syst em   ID S   In ce ptio n - C N N   MANET   Copyright   ©   202 0  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 :   Laqti b Safaa ,    Inform at ic s an d Appli cat ion s   Lab or at ory  (I A ),   Dep a rtm ent o f M at hem a ti cs and Com pu te r S ci ence,  Fa culty  of S ci e nces,    Mou la y  I sm ail U ni ver sit y,   Me kn es , M oro cco.   Em a il : l aq. safaa@g m ai l.co m       1.   INTROD U CTION     A  M ob il e  ad  ho c  N et w ork  (MA NET)   is  gen e rall y  def ined  as  a  netw ork  that  has  m any  fr ee  or   auto no m ou s  node s   [1 ] ,  of te n  com po sed  of  m ob il e  dev ic es  or   ot her   m ob il e  nodes   that  can  arr a nge  them sel ve s   in  va rio us   way s  an d  op e rate  without  stric t  t op - down  ne tw ork  a dm inist rat ion .   T her e  a re  m any  diff e re nt  ty pes   of   set ups that  c ou l d be call ed M AN ET  and t he po te ntial  f or  this s or t  of n et work is sti ll  b e ing  st udie d .  I nhere nt  vu l ner a bili ty   of   M ob il e  a d  ho c   N et wor ks   intr oduc es   new  secu rity   pro blem s,  wh ic h  m os tl y  address   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :    27 01  -   2709   2702   the  netw ork  a nd   data  li nk   l ay er  of   t he  prot oco l  sta ck .   B ecause  eac h  pac ket  m us t  be  pas sed  t hro ugh  interm ediat e  no de s  quic kly,  t hat  pac ket  has   to  tra vel  f ro m   the  s ource  to   the  destin at ion.  Ma li c iou s  routing  at ta cks  m a y  tar get  the  r outi ng  detect io n  or   m ai ntenan ce  process  by  fail ing   to  fo ll ow  t h e  sp eci ficat ion s  of   the  r ou ti ng  pro tocol   [ 2,  3] .  T hi s  increases  t he   possibil it y  of  att acks  su c h  as   eaves dro pp i ng,  spo of in g,  de ni al   of  serv ic e,   an d  i m per so natio n.   Com par ed  to   fixe d  net wor ks,  M obil e  ad  ho c   N et work  secur it y  is  ta ke n  int o  account  from   var i ou s  po i nts   su ch  as  avai la bili ty ,  pr ivacy ,  reli abili ty ,  encr y ption,  au thentic at ion,  acce ss  con t ro l,  and  usa ge  c on t ro l.  D ue  to  the  prom i n ent c ha racteri sti cs o f  M obil e ad h oc  N et wor ks , se cu rity   m e thods   us e d  to  sec ur e   fixe d  net wor ks  are  no t  f easi ble  f or   M ANE T   [4] .   Ne w  th r eat s  su ch   as  at ta cks  f ro m   internal  m al ic iou s  node s,  By zanti ne ,   an d  w or m ho l e  at ta cks  a re  di ff ic ult  to   de fe nd.  An  I ntr us i on  Detect io n  Syst e m   (IDS) is a n  e ffec ti ve  way t o  i den ti fy  w hen a n  at ta ck occ urs  in  a M ANET.   Fo r   the  a bo ve   reas on s ,  it   is  ver y  im po rtant   to  dep l oy  in  MANET   as  a   seco nd  li ne  of  defense   an   intru si on  dete ct ion   syst em   [5] .  I ntr us io n  detect ion   syst e m s  (I D S)  are   a  m echan ism   for  m on it or i ng  a nd  inv est igati ng  e ven ts  occurri ng  in  a  com pute r  syst e m .  An   I DS   inc orp or at es  m et ho ds  for  m od el ing   an d   disco ver i ng abnorm al  b ehav i or s  and c om plex  te ch niques . T hey try t o deter m ine w het her   or   not t he netw ork  i s   go i ng   th r ough  any  m al ic iou s  act ivit y.  This  i s  ty pical ly  accom plished   by  ga the rin g  data   autom at ic a ll y  fr om   a v a riet y of   syst e m s an d netw ork  s ources  and the n  a naly zi ng the  in form at i o n f or potenti a l security  issue s .   Current  int ru si on   detect io n  a nd   preve ntio n  m et ho ds,  su c h  as  fire wa ll s,  ac cess  co ntr ol  pr oto c ols  an d  authe ntica ti on ,   hav e  seve ral  draw bac ks   in  de fendin g  netw or ks   an d  de vices   fr om   ever   m or e  adv a nced   at ta cks,  su c h  as  a  de nial  of   ser vice   [ 6] .  H ow e ve r,   m os t  sys tem s  base d  on  su c h  te chn iq ues  a r e  su f fer i ng   fro m   hig h  false  posit i ve  and  false  neg a ti ve  detect ion  rates  an d  la ck   of   c onti nuous   ada ptati on   to   ev olv in g  m al i ci ous   beh a viors.   Dee p  l ear ning,  t he refor e ,  al lo ws  to  quic kly  perf or m   data  analy sis  an d  vis ualiz at ion ,  t he  ai m   is  to   enab le   the  det ect ion   of  dev i ce  vu lne ra bili t ie s  and   f la ws  by  secur it y  prof essi onal s.  Se ver al   D ee p  L e arn i ng  (D L )  a ppr oac hes  ha ve  been  ap plied  to   th e  issue  of  int ru si on  detect i on  to  i ncr ease   detect io n  rat es  an d  adap ta bili ty . S uch tec hniq ues  are ofte n use d t o  est ablish  the  att acks e xisti ng a nd d et ai le d  knowle dg e  bas e.   The  rem ai nd er   of  this  pa per  is  orga nized   as  f ollow s .   Se ct ion   2  is  de di cat ed  to  disc us s  Secu rity  at ta cks  in  M A NET.  The n,  S ect ion   3  descri bes  the  i ntr usi on   detect ion  syst e m   arch it ect ur es  i n  MA NET.  Sect ion   4  pro vid es  a  dee p  l earn in g   m o dels   for  intr usi on   detect io n  syst e m   in  MANET .  I n  sect ion   5   the   ex pe rim ent s and  res ultas .  I n sec ti on  6   we  conclu de by c on cl us io n.       2.   SECURIT Y A TT AC K S I N MA NET   Com par ed  to  wire d  inf rastr uctu re  netw or ks ,  Mo bile  a d  h oc  Netw ork s  (MA NET)   [ 7]  are  m or e   vu l ner a ble  to  at ta cks.   MA N ET  face  m or e  secur it y  threat s  than  ce ntrali zed  net wor ks   du e  t o  their   dy nam ic  topolo gy  an d  the  la ck  of  c entrali zed  net work  adm inist rati on.  I n  t he   Mob il e  a d  hoc  netw orks,  sever al   char act e risti cs  cou l d  be  us e d  to  cl assif y  at ta cks.   Exam ples  w ou l d  in c lud e  lo okin g  at   the  beh a vi or   of   the att acks  ( pa ssive  vs . a ct ive ),  t he  s ource  of the att acks  ( e xt ern al   vs . i nter nal) .   In   act i ve  at ta ck,   t he  at ta cke r   is  act ively   inv ol ved  in  t he  netw ork   op e ra ti on s  a nd  trie s   to  c hange   the  m essages   bein g  tra ns m it t ed.   By   disru pting  the   entire   ne twork   proc ess ,  the   at ta cker  m ay   m od ify ,  insert,   forg e ,  dro p  dat a.  The  freq ue nc y  of   this  at ta c k  is  hig h  beca us e  the  w ho le   netw ork  can  be   br ou gh t  do w n   [8] .  They  are   easy   to  detect   as  the  netw ork  pe rfor m ance  de gr ades   sig nifica ntly .  I n  pa ssiv e  at ta ck,   the   a tt acker  do e s  not  corr upt  the  sh a red   data  but  li ste ns   to  it .  They  are  at tem pting   to  gai n  co nf i de ntial   inform ati on   a nd   analy ze  the  traff ic   patte r ns   tr ansm itted.  The y  are  diff ic ult  to  detect   becau se  they   do   not  inte rr upt  or   m od ify   the  inf or m at ion   sent  or  recei ved .   It  is  al so   po s sible  to  cl assify   the  at ta c ks   into  tw o  cat egories  de pend ing   on   the  dom ai n  of   the  at ta cks,   na m el y  extern al   at ta cks,   an d  in te rn al   at ta cks.   In te r nal  at ta ck s  are  car ried  out  by  nodes   that  a re  no t  pa rt  of  t he  do m ai n  of  the   netw ork.  Exte r nal  at ta cks  a re  trigg e red  by  node s  that  a re  al read y   par t  of the  net work. E xter nal  att acks are m or e se ver e  tha n  i nter nal att acks  [9 ] .     2.1.     Deni al of  ser vi ce atta c ks  (DoS)   A  de nial  of  se rv ic e  at ta ck  is  an  at te m pt  to  m ake  a  m achi ne  or  netw ork  resou rce  una va il able  to  it s  intende d  us e rs   [10,   11] ,  su c h  as  to  te m porar il y  or   i nd e f init el y  interrupt  or  suspe nd   serv ic es  of  a   host   connecte d  t o  the  I nter net.  Th is  at ta ck  can  be   la un c hed   at   diff e re nt  la ye rs.   the  physi cal   la ye r,   netw ork   la ye r ,   trans port lay er .     2.2.     Rem ot e  to  us er a ttacks   ( R2L)   Occurs  w hen  an  at ta cke r  does  not  hav e   a n  acc ount  on  t he  victim   m ac hin e  a nd  at te m pts  to  gain  acce ss  by  se ndin g  pac kets  t o  a   m achine  over   a  netw ork   in  orde r  t o  ge ner at e  so m e  vu l ner a bili ty   on  t hat   m achine that al lows   him / her  to gain l ocal ac cess as a  u se r o f  that m achine.     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A tec hnic al rev ie w and  c omp arati ve a naly sis   of mac hin e le arnin g  te c hn i ques... ( Sa f aa L aqti b )   2703   2.3.     User  to  r oot a ttacks  ( U2R)   This  at ta ck  oc cur s  w hen   nor m al   syst e m   us er  il le gally   gains  acce ss  to  ei ther  r oot’s  or   su pe r  us er ’s   pr i vileges s uc h as Pe rl,  xterm  [ 12] .     2.4.     Pro bing   Pr ob i ng  occ ur s  w he n  a n  at t acker   sca ns   a   netw ork  i n  order  to  gath er  i nfor m at ion   or  fin d  known  vu l ner a bili ti es  that  al low  him   /her  to  hack   t he  entire  net w ork.   U su al ly ,  this  m et ho d  is  us e d  in  inf or m at ion   m ining  s uc h  as  saint,  port s we ep,  Msca n, Nm ap,  etc  [ 13 ] .       3.   INTRUSI ON  DETE CTIO N  SYSTE M A R CHI TE CT U R ES IN  MA NET   Ma ny  intr us io n  de te ct ion   sys tem s  (I DS)  have  bee n  de velo pe d  f or  MA NE T  to  detect   var i ou s   ty pes  of   at ta cks,   I DS   pl ay s  an  im po rta nt  r ole  in  M A NET  t o  detect   any  ty pe  of  at t acks   [14,   15] .  An   I DS   is  a  software  sys tem   us ed  t o  a naly zes  m i sb e hav i or  an d  vio la ti on  of  po li cy ,  a nd  th en  ge ner at e  a   re port  based  on  it ,   Ba sic al ly ,  intru sio n  detect io n  syst em   is  cl assifi ed  i nto  f ollow i ng  th ree   basic   cat eg or i es  acco r ding  t o  t heir  op e rati onal  str uctu re.     3.1.     The s t andal one arc hitect ur e   In   this  syst e m ,  to  determ i ne  intr us io n,   the  intr us io n  detect i on   syst e m   ru ns   i nd e pende ntly   on   the  in div id ual  node.  All  decisi on s  m ade  ab out  a  pa rtic ular   act ivit y  dep en d  s olely   on  inf or m at ion   colle ct ed  at   it s  ow n  node,   as  there  is  no   colla borati on  be twee n  no des  in  the  net work   [16] .  The refo r e,  there  is  no  trans fe r   of   in form at ion .  Even,  as  no  al ert  inform ati on   is  trans ferr ed,   a  node  in  t he  sam e   network   does  no t  ha ve  any   inf or m at ion   ab ou t  t he  oth e r  node s  in   the   net work.  Be ca us e   of  it s  li m i ta ti o ns ,   this  m od el   is  not  ef fici ent,   it   ca n  be  us ed   ef fecti vely   in  a  netw ork  wh e re  al l  nodes  al read y  hav e   an   I DS   i ns ta ll ed.   C om par ed  t o  m ulti - l ay ered  netw ork  inf ras tructu re,  this  s yst e m   is  al so   s uitable   for  sin gle  la ye r  netw ork.   Si nce  the  inf or m at ion   av ai la ble  on an y  sin gle   node  is  no t s uffi ci ent to det ect  intr us io ns ,  this  syst e m  h as not  been ch os e n  as  MANET  IDS .     3.2.     The d is tribute d and c ollab orative  a rc hit ecture   In  this  a rch it e ct ur e,   the  i ntr us io n  detect io n  e ng i ne  is  i nst al le d  on  eac h  node  i n  t his  arc hitec ture,  wh ic h  m on it or s   local   aud it   data  and   detect s  intru sio n  W e  al so   par ti ci pate   in  the  coo pe ra ti ve  detect ion   and / or   respo ns e  proc ess  by  sh ari ng  aud it   inf or m a ti on   an d/or  de te ct ion   resu lt s   with  neig hbori ng  nodes  to  so lv e   the  pr ob le m .  Wh e n  the  i ntr usi on  is  ca ptu r e d,   ei t her   a  loc a l  respo ns e  (e. g.  al erti ng  t he  l ocal  us er )  or  a   global  respo ns e  m ay   be  iss ued  by  a n  IDS  a gen t.   Each  node   is  i nvolv e d  in  t he   m et ho d  a nd  r esp on se   of  i ntru si on  detect ion   as  ha ving  an  IDS  ag ent  run ning  on   it   [ 17 ] .  A n  I D S  age nt  is  respon si ble  f or   detect ing   an d  c ollec ti ng   local   inf orm ati on  an d  data  i n  order  to   ide ntify  any  at ta ck  i f  an  at ta ck   occ ur s  in  t he  netw ork,   a s  well   as  ta king   an  i nd e pe nd e nt   res pons e .  H ow e ve r,   w hen  the  eviden ce   is  no n - c oncl us ive ,  neig hbori ng  ID S  a gent s  al so  coope rate  in  gl ob al   intr us i on  det ect ion.  T hi s  syst e m ,  li ke  sta nd al on e  I DS ,  is  al s o  m or e  s uitable   f or   flat  netw ork  syst e m s,  no t m ulti - l ay er s yst em s .     3.3.     The h ie r archi cal I DS  in trus ion d e tecti on   architec tu re   Hierarc hical   I DS   syst em   Exp an d  the  distri bu te d  a nd  c ooper at ive   I DS  s yst e m   fu nctio ns  an d  ha ve  bee n  i m ple m ented  fo r  m ulti - la ye r   networ k  inf r ast ru ct ures  where  the  net work   is  di vid e d  into  var i ous   s m al l   netw orks  kn own  as  cl us te rs.  Usu al ly ,  each   cl us te r  hea d  ha s  m or e  functi on al it y  than  ot her   cl us te r  m e m ber s,  su c h  as  t ran s m itti ng   data  pa ckets  to   ot her  cl us te rs .  We  can  the re fore  say   that  these   cl us te r  hea ds   work  i n  so m e  way  as  central  points  si m il ar  to  wired  netw ork  co ntr ol  de vices  su c h  as  r oute rs,   s witc hes  or   gateways .   The  m ulti -   la yer in g  co nce pt  app li es  to  i ntr usi on   detect ion   syst e m s  wh ere   there   is  a  pro po s al   for  hiera rch ic al   ID S .  Each  IDS  agen t  r uns  on  a  sp eci fic  m e m ber   node  a nd  is  respo ns ibl e  fo r  it s  node ,   i.e.  m on it or in g  an d  decidin g  on  int ru si on s d et ect ed  local ly .  A  cl us te r  hea d  is  re sp onsi ble  for  their  no de  local ly   as  well  as  glo bally   for  th ei r  cl ust er,  s uch   as  m on it ori ng  ne tw ork  traf fic  an d  an nounci ng  a  global  res pons e  w he n  dete ct ing  netw ork  i ntrusion   [ 18] .       4.   DEEP L EA R NING   MO DE LS   FO R  I NT RUSIO N DE TE CTION S Y STE M  I N MA NET   Deep   le a rn i ng  is  a  cl ass  of     M achine  l ear ning   al gorithm s  that  us es  m ulti ple  la ye rs  to  pro gr essi vely   extract  higher  le vel  featur es  from   the  raw   input.  The  ai m   is   to  m ake  m achines  li ke  com pu te rs  thin k  an d  unde rstan d  how  hu m ans  thi nk  by   im it ati ng  the   gri d  of  the   hum an  br ai n  c onnecti on,  Deep  le ar ni ng   arch it ect ures  su c h  as   dee p  neural  net w orks ,   dee p  be li ef  netw ork s ,   rec urren t  neural  net wor ks   a nd   conv olu ti onal   neural  netw orks   ha ve  been  app li ed   to   fiel ds   in cl udin g   c om pu te r  visio n ,   s peec h  recogn it io n ,   natu ral  la ngua ge  processi ng ,  aud i o  recog niti on,  s ocial   net w ork  filt ering,   m achine  tra ns l at ion ,   bio i nform at ic s ,   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :    27 01  -   2709   2704   dru g  desi gn ,  m edical   i m age  analy sis,  m at erial   insp ect ion   a nd   boar d  gam e   pr ogra m s,  wh ere  th ey   have   pro du ce d  res ults  co m par able   to  and   in  som e  cases  su per ior  to  hum an  exp erts  [ 19] .   Su pe rv ise d  le arni ng   al gorithm   is  app li ed  to   a  datas et   that  h as f eat ur es   an d  eac h  of   t hose  feat ures  associat ed  w it h  a  la bel.  H ow e ve r ,   deep   le a rn i ng   al gorithm s   com es  un de r  un s up e r vised  le ar ning  al gorithm s  wh ic h  are  a ppli ed  to  a  dataset   wh ic h  has  m any featu res  in  or der  t o  l earn use f ul propertie s  from  the stru ct ur e  of  t he data set   [ 20 ] .   The  Sec ur it y  app li cat io ns   of  deep   le ar ning  m od el s   li ke  In trusion  Detect i on   Syst em   (I D S) ,  m al war e   detect ion,  sp a m - fil te ring   ha ve  bec om e  ess entia ls  in  design i ng   ta s ks   f or  data  protect ion,  cl assifi cat ion,  an d  pr e dicti on. Th e se d iffe ren t t yp e s o f  ta sk s  depend i ng   on  the i ntell igence to  bu il d  a m od el  t hat u sua ll y cl a ssifie s   and  disc rim ina te s  betwee n  s a m ples  of  " be nign"  a nd  "m al ign ,"  su c h  a s  at ta cks  a nd  ben i gn  pa cket s  [ 21 ] .   The  c om plexit y  of   at ta ck  te chn i qu e s  too ls  i s  increase d  wit h  the  ra pid   i nc rease  with  t he  us e  of  D eep  le arn i ng  m od el s . Ther e  are  lots  of   popula r  va riant s  of   Dee p  le arn i ng   m od el s  li ke  CNNs  and   RN Ns .  To   so lv e   the  ha rdness  of  trai ni ng,  BL STM  is  pro po sed  to  al le viate   so m e  lim it a t ion s  of  the  ba sic   RNN,  I nce ption  conv olu ti onal   neural  ne t wor k  (C NN)   w hi ch  a  va riant  of   basic  CN N   and   dee p  bel ie f  netw ork  ( DBN ).   This  sect io n  gi ves  a  br ie f   intr oductio n  of  the  m od el s  we  hav e   us e d  in  our  e xp e ri m ents:  the  inc eption  arch it ect ure C NN, BLS TM a nd D B N   [22].     4.1.     The  ince p tion archi tectu re   CNN   Szege dy  et   al   [ 23 ]  s uggest  t he   I nce ptio n  a rchi te ct ur e  CN N  t o  s olv e  t he  pro blem   of   a  la rge   num ber   of   par am et ers  and   sp ee d  up  th e  le arn in g  of   CNN.   An   In ce ption   netw ork  is  ty pical l y  a  netw ork  co ns i sti ng   of  m od ules  of  t he   ab ov e   ty pe  sta cked  on each   ot her ,   with   occa sion al   m ax - pooling  la ye rs  wi th  phase   two   to   halv e   gr i d  res olu ti on.   It  seem ed  use fu l  to   sta rt  usi ng   In ce ptio n  m od ules  only   at   higher  la ye r s  f or   te c hn ic al   reason s   (m e m or y ca pacit y du ri ng trai ning)  whil e ret ai nin g t he  l ow er lay ers  i n  tra diti on al  c onvol ution al   fas hi on.   As  we  ca n  see in F igure 1,  t he  1 x1 convoluti on s a re u se d  to  co m pu te  r educt ion s b e fore the  ex pensi ve   3x3  a nd  5x5  c onvoluti ons.   B esi des  bein g  use d  as   re duct ion s ,  t hey  al so  inclu de  t he  use   of  recti fied   li near  act ivati on   wh i ch  m akes  them   du al - pur pose   [ 24 ] .   One  of  th e  m ai n  ben e fits  of   t his  arc hitec ture  is  that  it   m akes   it   po ssi ble  to  dr am at ic ally  i ncr ease   the  nu m ber   of   un it s  at   each  sta ge   without  a n  un con t ro ll ed   bl ow - up  in  com pu ta ti on al   com plexity .   Anothe r  pr act i cal ly   us efu l   a sp ect   of   t his  de sig n  is  t hat   it   is  in  li ne   with   the  pr i nciple  that  visu al   in form ation   sho uld   be  processe d  on  dif fer e nt   scal es  and   th en  ag gr e gat ed   so   tha t   the  ne xt  sta ge   can  sim ultaneo us ly   abstract  fe at ur es  from   diff ere nt  scal es.   The  im pr oved   us e  of   c om pu ta ti on al   resou rces  al lo ws  f or  inc r easi ng  both  t he  width   of  each  sta ge  as  well   as  t he  nu m ber   of   sta ges  without  getti ng  into  com pu ta ti on al   diff ic ulti es.  A no t her   wa y  to  util iz e  the  incepti on  arc hi te ct ur e  is  to  cr eat e  sli gh tl y  infer io r,   bu t c om pu ta ti onal ly  ch ea per   ve rsions  of it .           Figure  1. A rch i te ct ur e  of  t he  i ncep ti on m odul e w it h dim entio ns re duct ions   [25]       4.2.     Bi dire ction al  long sh ort - ter m mem ory   (B LST M)   In ste a d  of  r unni ng   a n  RN N  only   in  the  f orw ard   m od e  sta rti ng   from   the  first  sy m bo l,  we  sta rt  ano t he r   on e  from   the  la st  sy m bo l  ru nn i ng   from   back   to  f ront.  B idirect ion al   re cu r ren t  neural  networ ks   intr oduc e   a  hidden  la ye r   to  m or e  rob ust   pr oc esses  by   passing   i nfo rm ation   in  a  r ever se  directi on.  Fig ure  2  il lustrate s   the  arc hitec tur e  of  a   bi directi on al   rec urren t   neural  netw ork .   I n  fact,  t his  i s   not  to o  dissi m il ar  to  the  f orwa rd  and   bac kw a rd  recursio n  we   encou ntered   above.  T he  m ai n  disti nctio n  is  that  in  the  pr e vious  case   these   equ at io ns   had   a  sp eci fic  sta ti sti cal   m eaning.   Now  they   are  devoid  of   s uc h  easi ly   acce ssi ble  interp retat on  an d  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A tec hnic al rev ie w and  c omp arati ve a naly sis   of mac hin e le arnin g  te c hn i ques... ( Sa f aa L aqti b )   2705   we  ca n  jus t  tr eat   them   as  ge ner ic   f un ct io ns .   This   tra ns it ion   e pitom iz e s   m any  of   t he   pri nciples   gu iding   the  desig n  of  m od ern   dee p  netw orks:  first ,  us e  the  ty pe  of   functi onal   dep e ndencies  of   cl assic al   sta ti sti cal  m od el s,  an d  th en use t he  m odel s in  a  ge ner ic  for m   [26] .           Figure  2. A rch i te ct ur e  of  B LS TM   [ 27 ]       4.3.     Deep   beli ef  n etwork   ( DBN )   To  overc om e   t he  ov e rf it ti ng  pro blem   in  M ulti - Lay er  Pe r ceptr on   ( MLP ) ,  we  ca n  set   up  a  DBN ,   do   unsuper vis ed  pret raini ng   to  get  a  decent   set   of   feature   rep re sentat io ns   f o r  the  in puts,  the n  finet un e  on   the  trai ning  se t  to  act ually   get  predict io ns  from   the  network.  Wh il e  weig hts  of  an   MLP  ar e  init ia li zed  rand om l y,  a  D BN u ses  a  g ree dy  la ye r - by - la ye r  pret raini ng   al gorithm   to  i niti al iz e  the  ne twork   wei gh ts  throug h  pro bab il ist ic   ge ner at ive   mo dels  com po sed   of  a  visible  la ye r   an d   m ulti ple  la ye rs  of  stoc ha sti c,  la te nt  va riables,   wh ic h  are   cal le d  hidden  unit s  or  feat ur e  de te ct or s.   Re stric te d  Bolt zm ann   Ma chines  (R BM )  in  the  D BN  ar e   sta cked,  form i ng   a n  undi rec te d  pro bab il ist ic   gr ap hical   m od el   si m il a r   to  Ma rk ov  R andom   Fiel ds   (MRF):   the  two  la ye rs   are  com po sed   of   visible  ne uro ns   an d  the n  hidden  neur ons.  The  to p  two  la ye rs  in  a  st acke d  RB M hav e  undi rected,  sym m e tric  co nnect io ns betwee n  t he m  an d  f orm  an  asso ci at ive m e m or y, wh e reas  lowe r  la ye rs  receiv e   to p - dow n,   di rected  c onne ct ion s   f ro m   the   la ye r  a bove .   A  hybri d  m odel   is  est ablish ed  by  sta ckin g  up  RB Ms,  as  il lustr at ed  in   F ig ur e   3 .  The  t op  tw o  la ye rs  f or m   th e  RB M  an d  t he  lo we r  la ye r s  f or m   a  directed  belie f  net  [ 28 ] .   T hi s  hybr i d  m od el   is  cal le d  a  deep   belie f  netw ork  ( DBN ) .   T he  deep - belie f - networ k  is  a  si m ple,   cl e an,   fast  Pyt hon  i m ple m entat ion   of   deep   belie f  netw orks  bas ed  on  bin a ry  Re stric te d   Bolt z m ann  Ma c hin es  (RB M) .   I n  our  cas e,  it   was  based  on   N um Py  and   Tens orFlo w  li br aries  to  ta ke   adv a ntage  of  GP U   com pu ta ti on .                       Figure  3. Hy bri d  m od el  of the  D BN  afte r gr e edy lay er - wise  le arn in g. Th e t op tw o  la ye rs f or m  the RBM  an d  the bott om  layers form  a  dire ct ed  belie f  n et work [ 29]     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :    27 01  -   2709   2706   5.   E X PERI MEN T AND  RES U LT S   5.1.   Data prep roce ssing    The  m et ho dolo gy  disc us se d  i n  this  pa per  is  app li ed   on  t he  entire  NS L - K DD  dataset .  T he  NS L - K D D  dataset   wa s  propose d  t o  deal  with   in her e nt  pro blem s  of   th e  K DD  Cu p  1999  dataset   whic h  c on ta in   to o  m any  redu nd a nt  rec ords .  A n  e xam ple  of  d at aset   re cord  is   ‘0  tc p  ftp_data  S F  49 1  0  0  0  0  0  0  0  0 0  0  0  0  0   0  0  0  0  2  2  0  0  0  0  1  0  0  150  25  0.1 7  0.03   0.1 7  0  0  0  0.05  0  norm al ’.   As  y ou  can   s ee,  data  c onta ins  s om e  te xt  values  al so .   Pr e - proce ssing  o f  ori gi nal  NS L - K DD  dataset   is   ne cessary  to   m a ke  it   a   su it a ble  in pu t  f or  le arni ng   m od el s.  W e  need   t o  tra nsfo rm   the  no m inal  feature s  to  num eri c  values .  O nl y  colum n  nu m ber   2( P r oto c ol_ ty pe ),   3(Ser vices) ,   4(Fla g) a nd 42 (A tt ack  or  Nor m al )  con ta in s  no m inal values   [ 30 ] .     5.2.     Ev aluation  m etrics   Fo r  e valuati on   pur po ses ,  Acc ur acy   ( ACC) ,  Pr eci sio n  (P),  Re cal l  (R)  m etr ic s  are  us e d.   These  m et rics  are  cal culat ed  by  us in g  f our  diff e re nt  m eas ur es ,  true  posit ive  (TP),  tr ue   neg at ive  (T N ),   false  po sit iv e  (F P )    and   false  ne ga ti ve  (F N ).   Acc ur acy   is  the  pe rcen ta ge  of  the  rec ords  num ber   cl assifi e d  co rr ect ly   ov er  total     the  rec ords.   Pre ci sion   m eans  the  pe rcen ta ge   of   yo ur  res ults  wh ic h  are  re le va nt.  On   t he   oth e r  ha nd,  r ecal l  ref e rs  to  the  pe rcen ta ge of  t ot al  r el eva nt  res ul ts correct ly  classi fied by  your   al gorithm   [31 ] .   Tru e  P os it iv e  Rate  ( TPR) :   al so   know n  as  Detect ion   Ra te   (D R)  is  t he  pe rcen ta ge  of  the  an om al y  record s  nu m ber  c orrectl y flag ged as a nom aly o ve r  t he  total  num ber  of a nom al y recor ds i n (4):     A c cura cy = TP + TN TP + FP + FN + TN   (1)     P re ci sion = TP TP + FP     (2)     Re call = TP TP + Fn     (3)     DR = T PR = TP TP + Fn     (4)     False  P os it iv e  Rate  ( FPR) :   the  per c enta ge  of  the  nor m al   reco rds  num ber   wro ng l y  flagg e d  as  ano m al y i s d iv ided by the  tot al  n um ber   of nor m al  r ecords i n (5)  [32].     FPR = FP FP + TN     (5)     5.3.   Co m pa r ati ve  stu d y of t hree  deep lear ning   mod el s - b as ed  intrusio n d e te ction  sy s tem   The  researc h  on   secu rity   issues  relat in g  to   IDS  exists  si nce  the  b irt h  of   c om pu te r  a rch it ect ures.   In  rece nt  days,   ap plyi ng   dee p  le arn i ng     to   I DS   is   of  pr im e   interest   am ong  sec ur it y  re se arch e rs  a nd  s pe ci al ist s.   A  com par at iv e  stud y  of   th ree  dee p  le ar ning  m od el s,  In ce ptio n  co nvol ution al   ne ural   netw ork  ( CNN ),   Bi directi on al  l ong  s hort - te rm  m e m or y (BLSTM )  a nd d ee p beli ef  netw ork (DB N)  a ppli ed  to  ID S .   Tables  1 - 3  il lu strat e  the  accu racy,  preci sio n,  an d  recall   of   our  th ree  deep  le arn in g  m od e ls  in  K DD +   and  K D D - 21,  as  we   can   see   that  the   ince pt ion   C NN  an d  BLSTM   e x ce ed  t he  DBN.  Figures  4 - 7  pr ov i de   a  com par ison   of   the  ex pe rim e ntal  resu lt s  of  Tables  1 - 3 .  F ro m   the  resu lt s,  we  co uld   fi nd   that  the  inc eption  arch it ect ure  CNN  got  the  hi gh e st  overall   accuracy  ( ACC ) .  Be sides ,  the   BLSTM   m od el   su r passe d  th e  DB N   m od el   on   bo t h  the  ov e rall   pr e ci sion   an d  ove rall   recall   rate  in  KDD+  an d  KDD - 21.  Alth ough  the  DBN   m od el   perform ed  worse  than  the  oth e r  three   m od el s  on   ACC,  pr eci sio n,   recall   rate  in  KDD+  an d  K DD - 21,   it   ob viously   f ai le d  on   in for m at ion   on   the   at ta ck .  The  pro per   ex plan at ion   that  BLSTM   trie d  a  lot  on   the  whole  se quence   c om pr ehensi on   a nd  I ncep ti on - CN N   co uld  ext ra ct   th e  key  i nform at ion   m or e  qu ic kly.   In ce ptio n - C N N  an d  BLST M  per f or m   bette r  than  DB N.  In   the or y,  DB N  shou l d  be  the  best  m od el   bu t  it   is   ver y  hard t o  es tim a te  j oi nt pr ob a bili ti es accur at el y at  the  m o m ent.   We  fou nd   that  al l  three  m od el s  had   go od   perform ance  on   the  N or m al   dat a  and   D oS   dat a  and   Pro be.  Table  4  sho ws   the  DR  of   K DD T est +;   Tab le   5  sh ows  th e  FPR  of   K D DTest+;   Table   6  shows  the  DR  of  KDDTest - 21;  Table  7  sho w s  the  FPR  of   KDDTest - 21 .  Re su lt s  in  Tables  4 - 7  com par e  DR  an d  FPR  of  KDDTest+  an d  K DD T est - 21  we  can  co ncl ud e  that  the  I nc eption - CN N  a nd   BLS TM  prov i de  bette r  re su lt s  in   DR  a nd  FPR   c om par ed  t o  D BN,  we  ca n  fi nd  that  res ults  of  R2L   an d  U 2R  are   relat ive ly   qu it e  sm al l  for  al l  m od el s,  wh ic h  m igh t  becau s e  of   the  insuff ic ie ncy  of   their  record s  in  th e  dataset .  How ever,  the  m od e ls  sti l l  can  detect   so m e  of   them .   Bi d irect ion al   long   sh ort - te rm   m e m or y  (BLSTM)  an d   In ce ptio n - C NN ,  are  use d  t o  detect   ano m al i es  in  sequ e nce.   The  resu lt s  show  that  the  I nc eption - CN N   a nd   BLSTM   s howe d  supe rior i ty   ov er  the o the r DBN   m od el .  We   ti e  that to the f act  that  In ce ptio n - CNN   a nd  BL S TM has the  a bi li ty   to d efi ne  norm al  beh a vior  f ro m   la rg e  dataset s  and   ca n  be  us e d  to  detect   a  ne w  unsee n  thr eat .   It  can  be  c on cl ud e d  that  if  one   on ly   wan ts  t o  cl assify   the  ne twork  t raffic   as  norm al   or   at ta ck,   I nce ption  CN N   or  B LSTM  they   w il l  b e   a b et te r  c hoic e .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A tec hnic al rev ie w and  c omp arati ve a naly sis   of mac hin e le arnin g  te c hn i ques... ( Sa f aa L aqti b )   2707   Table  1.   Acc uracy  f or eac h  m od el     Incep tio n - CNN   BLST M   DBN   KDDTest +   8 8 ,03 %   8 4 ,03 %   7 1 .91 %   KDDTest – 21   7 3 .98 %   7 5 .36 %   6 6 .73 %     Table  2.   Pr eci s ion   f or  eac h  m od el     Incep tio n - CNN   BLST M   DBN   KDDTest +   8 5 .90 %   9 3 .98 %   7 3 .86 %   KDDTest – 21   8 3 .66 %   7 7 .89 %   7 4 ,. 6 5 %         Table  3.  Reca ll  for  eac h  m od e l     Incep tio n - CNN   BLST M   DBN   KDDTest +   8 5 .58 %   8 6 .01 %   8 0 .67 %   KDDTest – 21   7 2 .11 %   7 2 .98 %   6 9 ,23 %       Table  4.   DR  of KDD  Test+     No r m al   Do s   Prob e   R2 L   U2 R   Incep tio n - CNN   8 8 .46 8 %   6 9 .54 8 %   6 1 .35 7 %   1 8 .57 9 %   2 2 .34 8 %   BLST M   8 7 .97 5 %   7 1 .57 6 %   6 3 .57 4 %   2 9 .11 0 %   2 4 .02 2 %   DBN   7 9 .69 7 %   6 6 .24 1 %   5 7 .95 7 %   1 6 .43 6 %   1 7 .04 3 %       Ta ble  5.  FPR of KD D T e st +       No r m a l   Do s   Pr o b e   R2L   U2 R   Incep tio n -   CNN   2 8 .57 6 %   2 8 .62 2 %   6 .06 1 %   2 .17 8 %   0 .06 3 %   BLST M   6 5 .44 8 %   2 4 .65 9 %   1 0 .32 3 %   7 .81 0 %   0 .08 2 %   DBN   4 6 .53 3 %   2 5 .21 0 8 %   1 4 .07 3 %   6 .07 3 %   1 .06 5 %       Ta ble  6.  DR of KDD  Te st -   21       No r m a l   Do s   Pr o b e   R2L   U2 R   Incep tio n - CNN   9 5 .87 0 %   7 7 .18 2 %   6 7 .24 5 %   2 2 .32 3 %   2 0 .81 9 %   BLST M   8 2 .45 1 %   6 7 .58 4 %   6 1 .86 5 %   2 0 .56 7 %   2 1 .63 4 %   DBN   7 2 .21 1 %   5 4 .98 7 %   6 0 .77 3 %   1 6 .76 5 %   1 9 .98 4 %       Ta ble  7.  FPR of KD D T e st -   21       No r m al   Do s   Prob e   R2 L   U2 R   Incep tio n - CNN   3 6 .87 0 %   1 4 .53 %   2 .35 7 %   0 .47 9 %   0 .06 8 %   BLST M   5 1 .97 5 %   1 9 .57 6 %   7 .57 4 %   1 .11 0 %   0 .02 2 %   DBN   6 3 .43 2 %   2 2 .65 3 %   7 .32 5 %   2 .97 2 %   1 .08 6 %           Figure  4. Acc uracy ,  pr eci sio n and recal l  of  KDDTest+       Figure  5. DR  of KD DTest+  usi ng  ince ption - CNN,  BLSTM , DBN     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :    27 01  -   2709   2708       Figure  6. Acc uracy ,  pr eci sio n and recal l  of  KDDTest - 21       Figure  7. DR  of KD D Test - 21  us in g  i ncep ti on - CN N,   BLSTM , DBN       6.   CONCL US I O N     Re centl y,  D ee p  le ar ning  f or  intr us io n  detect ion   syst e m   has   receive d  m uc h  deliberati on.   In  any  I DS ,   aud it   data  sa m ples  are  ana ly zed  to  set   de te ct ion   ru le s   in  highly   m ob il e  node  netw ork  t o  protect   agai nst   nu m ber   of   nove l  at ta cks.   The   pr im ary  adv a nt age  of  usi ng  Deep   le a rn i ng   base d  i ntr us io n  detect ion   syst e m s  is  that  it   is  high ly   accurate  an d  a ble  to  detect   or   cat e gori ze  at ta cks  wit hout  a ny  en vironm ental   influ ence .   Diff e re nt   Dee p  le arn i ng   ba sed  I DS   a ppr oach e s  ha ve  their  ow n  be ne fits  and   disa dv a ntage s.  T he refor e ,  consi der i ng the  MANET  sce na rios, it  is im p or ta nt to  c hoose  a precise  m eth od  f or  im plem enting IDS.     This  pa per   is m ot ivate d  by  the  nee d  to d ev el op  g oo d  trai ni ng   al gorit hm s  for  dee p  arc hitec tures - bas e d  ID S ,  since   the se  can  be  m uch   m or e  re pr es entat ion al ly   ef fici ent  than   sha ll ow   ones  su c h  as  S VMs  a nd  one - hiddenlay er   ne ur al   nets.   wh ic h  m ay   be  pro ve d  im po rtant  f or   sel ect ing   t he   ap propriat e  m et ho ds   on  ba ses  of   the  sit uation  in  MAN ET.   I n  this  wo r k,   th e  pr act ic al   pro blem s  of   existi ng   I DS   hav e  been   a ddresse d  an d  diff e re nt  Dee p  Lear ning  m od el s  ( I ncep ti on - CN N,   BL ST M  an d  Deep  Be li ef  m od el )  are  c om par ed  to  s olv e   these  pro blem s.  The  m od el s  hav e  bee n  im plem ented  and  te ste d  on   N S L - K D D  datase t.   The  reas on   beh i nd   the  superi or it y  of   I ncep ti on - CNN  i n  ge ne r al   that,  it ’s  th e  abili ty   to  de fine  norm al   beh avi or   from   a  la rg e   dataset   an d  ca n  be  use d  t o  de te ct   a  new   un seen  th reat .   T his  w ork  ca n  be  e xten ded  in   two  directi on s:  first,   i m ple m ent  oth er  dee p  m od el s  and   c reate  hybr i d  m od el s  and   voti ng  syst em s   acro ss  dif f eren t  m od el s  to  detect   and  rec ognize  low  fal se  al ar m   threats.  Se c ond,  pr ov i de  e xisti ng  syst em s  with   real - w orl d  data  f or  m ulti ple  netw orks  i n  s uch  a  way  t ha t  the  m od el   can  inc rease  i ts  accuracy  by   adap ti ng  the   def i niti on   of  norm a l   act ivit ie s thr ou gh   di ff e ren t  un - cal ibrate d datase ts.       REFERE NCE S   [1]   E.   Am iri ,   H.  Ke shava rz,   H .   Heid ari ,   E.   Moham ad i,   and  H.  Mor ad za deh ,   “ Intrusio n  Dete c ti on  S y st ems   in  MA NET:   A Re vie w, ”   Proce dia   -   So ci al   an d  Be ha vi oral   Scienc es ,   vol .   129 ,   pp.   453 – 459 ,   20 14.   [2]   S.  La qt ib,   K.  E.  Yass ini ,   M.  Houm er,   M.  D.  E .   Ouadghir i,   and  M.  L.   Hasnaou i,  “ Im pac t  of  m obil ity   m odel s  on   Optimize d  Li nk   Stat e   Routi ng   Protocol   in   MA NET, ”   2016  In t ernati onal  Con f ere nce  on  Wir eless   Net works  an d   Mobil e   Comm unic ati ons   ( WINCOM) ,   2016.   [3]   S.  La q ti b,   K.   E.   Yass ini,  and   M.  L .   Hasnao ui,   “ Perform ance  Ev al u a ti on  of   Multi c ast  Rout ing  Protocol s  i n   MA NET , ”  in  In te rnational   Conf ere nce   on  Ad va nce d  Intelli g ent   Syste ms   for  Sustainabl e  Dev el op ment ,   Springer ,   Cham,  2018 .     [4]   S.  La qti b ,   K.   E.   Yass ini ,   and   M.  L.   Hasnaoui ,   “ Li nk - state   QoS   routi ng  protoc ol   under   var ious   m obili t y   m odel s, ”   Indon e sian  Journal  of  El e ct rica l  Engi n ee ring  and  Computer  Scienc e   S ci en ce   ( IJE ECS) ,  vol.   16 ,   no.   2 ,     pp .   906 - 916 ,   No v .  2019 .   [5]   I.   Bu tun,   S.  Mo rge ra  and  R .   Sa nkar ,   “ A  Surve y   of  Intrusion  Dete c ti on  S y st ems   in  W ire le ss   Se nsor  Networks ,”  IEE E   Comm unications  Surve ys  &   T utorial s ,   vol .   16,   no.   1,   pp.   26 6 - 282,   2014 .   [6]   S.  Iqba l,   M .   L .   M.  Kiah,   B .   Dha ghighi ,   M.  Hus sain,   S.  Kh an,   M.   K.  Khan,   and  K . - K.  R.   Choo ,   “ On  cl oud  sec ur i t y   at t ac ks:  A  ta xo nom y   an d  int ru sion  det ection  a nd  pre vent ion  a s  a  servic e,”   Jo urnal  of  Net work  and  Computer  Appl ic a ti ons ,   vo l.   74 ,   pp .   98 – 120 ,   2016 .   [7]   A.  Fudholi  and   K.  Sopian,  “ Revi ew  on  Solar   Co ll e ct or  for   Agric ult ura l   Produce , ”   Int ernati onal   J ournal  of  Pow er  El e ct ronics  and   Dr iv e  Syst ems   ( IJP EDS) ,   vol .   9 ,   no.   1 ,   p p.   414 - 4 19 ,   Jan .   2018 .   [8]   T.   Laagoubi ,   M.  Bouzi ,   and  M.  B enc hagr a,   “ MP P T  and  Pow er  Fact or  Control   for  Grid  Connec t ed  PV   Sy stems   with   Fuzz y   Logic  Co ntrol lers , ”   Inte rn ati onal  Journal  of  Powe r  El e ct r onic s  and  Dr iv e   Syste ms   ( IJP E DS ) ,   vol.   9,   no .   1,   p p.   105 - 113 ,   Jan .   2018 .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A tec hnic al rev ie w and  c omp arati ve a naly sis   of mac hin e le arnin g  te c hn i ques... ( Sa f aa L aqti b )   2709   [9]   A.  Fudholi,  e t.  a l . ,   “ Prim ar y   Stu d y   o f  Tr ac k ing  Photovolt aic  S y s te m   for  Mobil e  Stat ion  in  Ma lays ia , ”   Int ernati on al   Journal  of   Power   El e ct ronics   an d  Dr iv e  S yste ms   ( IJP EDS) ,   vol.   9 ,   no .   1 ,   p p .   427 - 432 ,   Jan .   2018 .   [10]   A.  Fudholi  and  K.  Sopian ,   “ Revi ew  on  Ex erg y   a nd  Ene rg y   An aly sis  of  Sol ar  Air   Hea t er,”   Int ern ati onal  Journal  of  Powe r E le c troni cs  and  Dr ive  Sys te ms   ( IJP EDS) ,   vol.   9 ,   no .   1 ,   p p .   420 - 426 ,   Jan .   20 18.   [11]   S.  Sura y a ,   P.   S.  Sujat ha ,   and   B.   K.  P,  “ A  Novel   Control   Str at eg y  for  Com pensa ti on  of  Volt age  Quali t y   P roble m   i n   AC Drive s,”   Inter nati onal Journal  of   Powe r   Elec t ronics  and  Dr ive   Syste ms   ( IJP ED S) ,   vol.   9 ,   no .   1 ,   p p.   8 - 16 ,   2018 .   [12]   S.  Sam adi ,   et.  a l. ,   “ Optimum   ran ge  of  angle  tracki ng  rad ars:  a  the ore ti c al   com puti ng, ”   Int ernat ional   Journal  of   El e ct rica l  and   C omputer  Engi n e ering   ( IJE CE) ,   v ol.   9 ,   no .   3 ,   p p .   1 765,   Jan .   2019 .   [13]   T.   Zaidi  and  R.   Ramprata p ,   “ Virtua l  Mac hi ne  Alloc a ti on  Policy   in  Clou d  Com puti ng  Envi ronm ent   using  CloudSim , ”   Int e rnational   Journal  of   Elec tric al   and  Computer  Engi ne ering   ( IJ ECE ) ,   vol .   8 ,   n o.   1 ,   p p .   344 - 45 4 ,    Jan.   2018 .   [14]   G.  S.  N.   Rao ,   et .   al . ,   “ D y namic  Ti m e  Sli ce  Cal culat ion  for   Round  Robin  P roc ess  Scheduli ng  Us ing  NO C, ”   Inte rnational   Jo urnal  of El e ct ri c al  and  Comput er  Engi n ee ring   ( IJE CE) ,   vol .   5 ,   no .   6,   p p.   1480 - 148 5 ,   Jan .   2015 .   [15]   A.  Oukennou,   A .   Sanda li ,   and  S.   El m oum en,   “ Coordina t ed  Pla cem ent   and  Set ti ng   of  FA CTS  in  Elec tr ic a l  Networ k   base d  on  Kala i - s m orodinsky   B ar gai ning  Solut ion   and  Volta ge  De via ti on  Ind ex,”   I nte rnational   Jou rnal  of  El e ct rica l  and  Computer  E ngine ering   ( IJECE) ,   vol. 8, no.  6,   p p .   4079 - 408 8 ,   Jan .   2018 .   [16]   A .   Othm an,   N . I . S .  Shaar i,   A . M.  Zobi la h ,   N . A .  Shairi,  Z .  Z aka r ia,   “ Design  of  Co m pac t  Ultra   W id eba nd  Antenna   f or   Microwa ve  Med ic a l  Im agi ng  Applicati on , ”  Indo nesian  Journal  of  El e ct ri cal   En gine ering  and  C omputer  Sci en c e   ( IJE ECS) ,   v ol .   1 5,   n o .   3 ,   pp .   119 7 - 1202 ,   Sep .   20 19.     [17]   N .   Bat a y e v,   “ Axial   Com pre ss or  Fouling  Dete cti on  for  Gas  Turbi ne  Drive n  Ga s  Com pre s sion  Unit ,”   Indon esian   Journal  of   Elec t rical   Engi ne erin g  and  Computer   Sci en ce   ( IJE ECS ) ,  v ol .   15 ,   n o .   3 ,   pp.   1257 - 1263 ,   Sep .   2019 .     [18]   dje ll ou l  khe ira ,   “ Perform anc e  of  cha nne l  sel e ct ion  used  for  Multi - class   EEG   signal   class ifi cation  of  m oto r  imager y ,”   Indo nesian  Journal   of  E lectric a l  Engi ne ering  an d  Computer  Sc ie nc e   ( IJE ECS) ,  v ol .   15,   n o .   3 ,     pp.   1305 - 1312 ,   Sep .   2019 .   [19]   S . H .  Aham m ad,   “ Auto m at ic   Se gm ent at ion  of  Spinal   Cord  Diff usion  MR  I m age s  for  disea se  loc ation  findi ng ,”   Indone sian  Journal  of  El e ct ri ca l  Engi ne ering  and  Computer  Sci ence   ( IJE ECS) ,  v ol .   15,   n o .   3 ,   pp.   1313 - 1321 ,     Sep .   2019 .   [20]   M.  La la ou i,   A.E.  Afia,   R.   Chiheb,  “ A  Self - Tuned  Sim ula te d  Annea l ing  Algorit h m   U sing  Hidden  Markov  Model, ”   Inte rnational   Jo urnal  of El e ct ri c al  and  Comput er  Engi n ee ring   ( IJE CE) ,   vol .   8 ,   no .   1,   p p.   291 - 298 ,   Jan.   2018 .   [21]   A.  Fudholi  and  K.  So pia n,   “ Rev ie w  on  Solar  Co ll e ct or  for  Agri c ult ura l   Produce , ”   Inte rnat ional   J ournal  of  Powe r   El e ct ronics  and   Dr iv e  Syst ems ( IJP EDS) ,   vol .   9 ,   no.   1 ,   p p .   414 - 4 19 ,   Jan .   2018 .   [22]   A.F.  Maji d,   Y .  Mukhlis ,   “ Ape rture   Coupli ng  Rec t angul ar  Slo tt ed  Circ u la r  Ri ng  Microstri p  Patc h   Antenna , ”  Indone sian  Journal  of  Elec tri ca l  Engi ne ering  a nd  Computer  Sci ence   ( IJE ECS) ,  v ol .   15,   n o .   3 ,   pp .  1419 - 1427 ,     Sep .  2019 .   [ 23]   Christi an  Sz eged y ,   W ei  Li u ,  Y angqi ng  Jia ,   Pi e rre   Serm ane t ,   S cot t  R ee d ,   Drag om ir  Anguelov,  Dum it ru  Erha n ,   Vince nt  Vanhou cke ,  Andrew  R abi novi ch ,   “ MPPT  Going  dee per   with  convol u ti ons , ”   Conf ere n ce   on  Computer  Vi sion a nd   Patte rn R ec ogn it ion   ( CVP R) .  IE E E   C onfe renc e  on   20 15 .   [24]   Fudholi,   Ahm ad,   and  Kam aru zz aman  Sopian ,   “ Revi ew  on  exe rg y   and  ene r g y   an aly sis  of  solar  ai r  he at er ,”   Inte rnational   Jo urnal  of Powe r  El e ct ronics  and   Dr iv e  Syst ems ( IJP EDS) ,   v ol .   9 ,  n o .   1 ,   pp .   420 - 42 6 ,   2018 .   [25]   Kuchibha t la ,   Sa m ant haka   Mani ,   D.  Padm ava thi ,   and  R.   Sriniva s a  Rao ,   “ Eff e ct   o f  Carr ie r  Frequ e nc y   in  Grid  Inter  Connec t ed  W ind  Sy st em  with  SS FC   Control le r , ”   Inte rnat ional  Journal  of  Pow er  El ectronics  a nd  Dr iv e  Syste m s   ( IJP EDS) ,  v ol .   9 ,  n o .   3 ,   pp .   1349 - 1355 ,   2018 .   [26]   Nee thu  B ,   “ Cla ss ifi cation  of  int r usion  det ection  dat ase t  using  m ac hine   l ea rning  a pproa che s, ”  Inter nati onal  Journal   of  E le c tronic s a nd  Computer  Sc i enc e   Engi n ee rin g,   pp .   1044 - 105 1,   2012 .   [27]   Ramkum ar,   Purigil la   V enka t a,   a nd  Munaga la   Su r y a   Kala v at h i ,   “ Frac ti on al   Order   PID   Control le d  Inte rl ea ved   Boo st   conve rt er  Fed  Shunt  Acti ve  F il te r   S y stem ,”   I nte rnational   Jo urnal  of  Powe r   El e ct ronics  an d  Dr iv e  Syste m s   ( IJP EDS) ,  vol.   9 ,   no .   1 ,   pp .   126 - 138 ,   2018 .   [28]   Pane,   S y afr ia l   Fachr i,  et   a l. ,   “ RF ID - base d  convey or   belt  for   improve  ware h ouse  oper ations , ”   TEL KOMNIKA   ( Tele communic ati on  Computing   El e ct ronics  and   Control ) ,  vol. 17 ,   no .   2 ,   pp .   794 - 800,   2019 .   [29]   Mohs en,   Mow afa k  K. ,   e t  a l. ,   “ El ectroni ca l l y  cont ro ll ed   rad ia ti on   pa tt ern   l ea k y   wav e  antenna   arr a y   for     (C  band)   app li c at ion , ”   TEL KOMNIKA  ( Tele co mm unic ati on  Co mputing  Elec tro nic s  and  Contro l ) ,  vol.   17 ,   no.   2 ,    pp .   573 - 579 ,   20 19.   [30]   Raha rdj a,   Untun g,   Eka   Purnam a  Hara hap ,   and  Shy lv ia   Ra tna   Dew i ,   “ The   stra te g y   of  enha nc ing  article  citation  an d   H - inde x  on  SINT A  to  improve  te rtiar y   r eputat i on ,”   TEL KOMN IKA   ( Tele communic ati on  Comp uti ng  Elec troni cs   and  Control ) ,  vo l.   17 ,   no .   2 ,   pp .   6 83 - 692,   2019 .   [31]   Za inur i,   Akhm a d,   e t  a l. ,   “ VRLA  bat t er y   st at e   of  he alth  es t i m at ion  base d   o n  cha rg ing  ti m e , ”   TEL KOMNIK A   ( Tele communic ati on  Computing   El e ct ronics  and   Control ) ,  vol. 17 ,   no .   3 ,  pp .   1577 - 1583,   2019 .   [32]   H.  Sett i ,   et .   al . ,   “ A  new  conf ig ura ti on  of   a  p ri nte d  dip le x er  de signed  for  DCS   and  ISM   bands , ”   TEL KOMNIK A  ( Tele communic ati on  Computing   El e ct ronics  and   Control ) ,  vol. 17 ,   no .   3 ,   p p .   1090 - 1095 ,   Jan .   2019 .   Evaluation Warning : The document was created with Spire.PDF for Python.