doi: 10.17586/2226-1494-2021-21-6-912-918


УДК 004.056.53

Исследование модифицированного алгоритма оптимизации серых волков для редукции нечетких правил в облачной системе обнаружения вторжений

Багьялакшми Ч., Самундесвари Э.С., Арункумар В.


Читать статью полностью 
Язык статьи - английский

Ссылка для цитирования:
Багьялакшми Ч., Самундесвари Э.С., Арункумар В. Исследование модифицированного алгоритма оптимизации серых волков для редукции нечетких правил в облачной системе обнаружения вторжений // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 6. С. 912–918 (на англ. яз.). doi: 10.17586/2226-1494-2021-21-6-912-918


Аннотация
Проблема оптимизация в облачной системе обнаружения вторжений (CIDS) имеет множество противоречивых целей: наличие одномодальных и мультимодальных функций; уровень сложности задач варьируется от линейных до нелинейных. В данной работе авторы предложили, спроектировали и разработали CIDS на основе алгоритма оптимизации серых волков (Grey Wolf Optimizer, GWO) в качестве метаэвристического метода, который способен обнаруживать атаки в нескольких доступных средах. При разработке системы обнаружения вторжений на основе облака созданы нечеткие правила представления взаимосвязи между атрибутами и характером активности (нормальным или ненормальным). Предложенный алгоритм применен к одиннадцати тестовым функциям, на которых показаны хорошие показатели производительности. Модифицированный алгоритм оптимизации серых волков может быть использован для сокращения нечетких правил при разработке нечетких CIDS. Выполнено сравнение производительности предложенного модернизированного алгоритма с классическим оптимизатором серых волков, алгоритмом роя частиц (PSO), алгоритмом поиска кукушки (CS). Результаты экспериментов показывают высокую производительность предложенного алгоритма.

Ключевые слова: оптимизатор серого волка, GWO, модифицированный оптимизатор серого волка, MGWO, исследование и обнаружений вторжений

Список литературы
  1. Mirjalili S., Mirjalili S.M., Lewis A. Grey wolf optimizer // Advances in Engineering Software. 2014. V. 69. P. 46–61. https://doi.org/10.1016/j.advengsoft.2013.12.007
  2. Seema, Kumar V. Modified grey wolf algorithm for optimization problems // Proc. of the International Conference on Inventive Computation Technologies (ICICT 2016). 2016. P. 7830162. https://doi.org/10.1109/INVENTIVE.2016.7830162
  3. Li J., Fong S., Wong R.K., Millham R., Wong K.K.L. Elitist binary wolf search algorithm for heuristic feature selection in high-dimensional bioinformatics datasets // Scientific Reports. 2017. V. 7. P. 4354. https://doi.org/10.1038/s41598-017-04037-5
  4. Ahmadi R., Ekbatanifard G., Bayat P. A Modified grey wolf optimizer based data clustering algorithm // Applied Artificial Intelligence. 2021. V. 35. N 1. P. 63–79. https://doi.org/10.1080/08839514.2020.1842109
  5. Mohanraj T., Kumar M.D. The process parameter optimization for grey cast iron in turning process using response surface methodology //International Journal of Mechanical and Production Engineering Research and Development. 2019. V. 9. P. 997–1006.
  6. Yan F., Xu J., Yun K. Dynamically dimensioned search grey wolf optimizer based on positional interaction information // Complexity. 2019. P. 7189653. https://doi.org/10.1155/2019/7189653
  7. Al-Tashi Q., Rais H., Jadid S. Feature selection method based on grey wolf optimization for coronary artery disease classification // Advances in Intelligent Systems and Computing. 2019. V. 843. P. 257–266. https://doi.org/10.1007/978-3-319-99007-1_25
  8. Padhy S., Panda S., Mahapatra S. A modified GWO technique based cascade PI-PD controller for AGC of power systems in presence of plug in electric vehicles // Engineering Science and Technology, an International Journal. 2017. V. 20. N 2. P. 427–442. https://doi.org/10.1016/j.jestch.2017.03.004
  9. Cai J., Xu G., Ye W. Modified grey wolf optimizer based maximum entropy clustering algorithm // Proc. of the International Joint Conference on Neural Networks (IJCNN 2020). 2020. P. 9207253. https://doi.org/10.1109/IJCNN48605.2020.9207253
  10. Mittal N., Singh U., Sohi B.S. Modified grey wolf optimizer for global engineering optimization // Applied Computational Intelligence and Soft Computing. 2016. V. 2016. P. 7950348. https://doi.org/10.1155/2016/7950348
  11. Mittal N., Singh U., Sohi B.S. Modified grey wolf optimizer for global engineering optimization // Applied Computational Intelligence and Soft Computing. 2016. V. 2016. P. 7950348. https://doi.org/10.1155/2016/7950348
  12. Singh N., Singh S.B. A modified mean gray wolf optimization approach for benchmark and biomedical problems // Evolutionary Bioinformatics. 2017. V. 13. https://doi.org/10.1177/1176934317729413
  13. Bagyalakshmi C., Samundeeswari E.S. DDoS attack classification on cloud environment using machine learning techniques with different feature selection methods // International Journal of Advanced Trends in Computer Science and Engineering. 2020. V. 9. N 5. P. 7301–7308. https://doi.org/10.30534/ijatcse/2020/60952020
  14. Li L., Sun L., Guo J., Qi J., Xu B., Li S. Modified discrete grey wolf optimizer algorithm for multilevel image thresholding // Computational Intelligence and Neuroscience. 2017. P. 3295769. https://doi.org/10.1155/2017/3295769
  15. Thangamuthu M.O., Yerchuru J.A., Shanmugam N.A., Ravi Y., Gur A. Multi-response optimization of end-milling parameters for inconel 625 using taguchi coupled with topsis // Surface Review and Letters. 2021. V. 28. N 10. P. 2150096. https://doi.org/10.1142/S0218625X21500967


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2022 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика