اخبار و اعلانات

 آمار

تعداد نشریات38
تعداد شماره‌ها1,408
تعداد مقالات10,088
تعداد مشاهده مقاله11,909,097
تعداد دریافت فایل اصل مقاله6,961,229
عظیمی, علی, فاتح, مهنا, صمدی قره ورن, سینا. (1403). ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین در سیستم‌های تشخیص نفوذ با استفاده از روش‌های کاهش ابعاد PCA ICA. پدافند الکترونیکی و سایبری, 15(4), -.
علی عظیمی; مهنا فاتح; سینا صمدی قره ورن. "ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین در سیستم‌های تشخیص نفوذ با استفاده از روش‌های کاهش ابعاد PCA ICA". پدافند الکترونیکی و سایبری, 15, 4, 1403, -.
عظیمی, علی, فاتح, مهنا, صمدی قره ورن, سینا. (1403). 'ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین در سیستم‌های تشخیص نفوذ با استفاده از روش‌های کاهش ابعاد PCA ICA', پدافند الکترونیکی و سایبری, 15(4), pp. -.
عظیمی, علی, فاتح, مهنا, صمدی قره ورن, سینا. ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین در سیستم‌های تشخیص نفوذ با استفاده از روش‌های کاهش ابعاد PCA ICA. پدافند الکترونیکی و سایبری, 1403; 15(4): -.

ارزیابی و بهینه‌سازی مدل‌های یادگیری ماشین در سیستم‌های تشخیص نفوذ با استفاده از روش‌های کاهش ابعاد PCA ICA

علوم و فناوریهای پدافند نوین
دوره 15، شماره 4 - شماره پیاپی 58، دی 1403
نوع مقاله: مقاله پژوهشی
نویسندگان
علی عظیمی1؛ مهنا فاتح1؛ سینا صمدی قره ورن* 2
1کارشناسی، دانشگاه صنعتی سهند، تبریز، ایران
2استادیار، دانشگاه تبریز، تبریز، ایران
تاریخ دریافت: 10 دی 1403،  تاریخ بازنگری: 06 بهمن 1403،  تاریخ پذیرش: 24 بهمن 1403 
چکیده
با گسترش روزافزون تهدیدات سایبری، توسعه سیستم‌های تشخیص نفوذ کارا و دقیق به یکی از چالش‌های اساسی در امنیت شبکه تبدیل شده است. در این پژوهش، عملکرد شش مدل یادگیری ماشین شامل KNN، SVM، Random Forest، Decision Tree، Logistic Regression و XGBoost در تشخیص نفوذ شبکه ارزیابی و مقایسه شده است. به‌منظور بهبود کارآیی محاسباتی و کاهش اثر ویژگی‌های غیرضروری، از دو روش کاهش ابعاد تحلیل مؤلفه‌های اصلی (PCA) و تحلیل مؤلفه‌های مستقل (ICA) استفاده گردید. مجموعه‌داده UNSW-NB15 به‌عنوان داده مرجع انتخاب شد و ارزیابی مدل‌ها با معیارهای Accuracy، Precision، Recall، F1-Score و زمان آموزش/پیش‌بینی انجام گرفت. نتایج نشان داد Random Forest و XGBoost بهترین عملکرد کلی را ارائه داده و حتی با کاهش ابعاد توسط ICA دقت بالای خود را حفظ کردند. ICA در اغلب مدل‌ها نسبت به PCA عملکرد بهتری داشت و توانست تعادل مطلوبی بین دقت و کارآیی ایجاد کند. یافته‌های این پژوهش می‌تواند به انتخاب مدل مناسب IDS بر اساس نیازهای عملیاتی، از جمله اولویت کاهش هشدارهای کاذب یا افزایش نرخ تشخیص، کمک نماید.
کلیدواژه‌ها
سیستم تشخیص نفوذ؛ یادگیری ماشین؛ کاهش ابعاد؛ UNSW-NB15
عنوان مقاله [English]
Evaluation and Optimization of Machine Learning Models in Intrusion Detection Systems Using PCA and ICA Dimensionality Reduction Methods
نویسندگان [English]
Ali Azimi1؛ Mohanna Fateh1؛ sina samadi gharehveran2
1Bachelor's degree, Tabriz University of Technology, Tabriz, Iran
2Assistant Professor-University of Tabriz, Tabriz, Iran
چکیده [English]
Intrusion Detection Systems (IDS) play a crucial role in protecting modern computer networks from diverse cyberattacks. However, the high dimensionality and complexity of network traffic data often degrade the accuracy and efficiency of machine learning–based IDS models. This paper proposes a comprehensive comparative framework that adaptively integrates two dimensionality reduction methods—Principal Component Analysis (PCA) and Independent Component Analysis (ICA)—to enhance IDS performance. Six widely adopted machine learning algorithms—K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Random Forest, Decision Tree, Logistic Regression, and XGBoost—are evaluated using the modern UNSW-NB15 dataset. The performance of each model is assessed based on classical evaluation metrics (Accuracy, Precision, Recall, and F1-Score) as well as operational efficiency indicators (training and prediction time). Experimental results demonstrate that ICA generally outperforms PCA, achieving a better balance between detection accuracy and computational cost. The findings provide valuable insights for designing practical, efficient, and high-performance IDS solutions for real-world applications.
کلیدواژه‌ها [English]
Intrusion Detection System, Machine Learning, Dimensionality Reduction, UNSW-NB15
مراجع

[1]     Zhang, S.; Cheng, D.; Deng, Z.; Zong, M.; Deng, X. “A Novel kNN Algorithm with Data-Driven k Parameter Computation”; Pattern Recognit. Lett. 2018, 109, 44–54. DOI: 10.1016/j.patrec.2017.09.036.

[2]     Zahiri, M.; Shirini, K.; Samadi Gharehveran, S. “Network Traffic Analysis with Machine Learning for Faster Detection of Distributed Denial of Service Attack”; J. Adv. Def. Sci. Technol. 2024, 14, 273–282. (In Persian) DOR: 20.1001. 1.26762935.1402.14.4.6.2.

[3]     Kazemitabar, J.; Taheri, R.; Kheradmandian, G. “A Novel Technique for Improvement of Intrusion Detection via Combining Random Forest and Genetic Algorithm”; J. Adv. Def. Sci. Technol. 2019, 10, 287–296. (In Persian) DOR: 20.1001.1.26762935.1398.10.3.9.5

[4]     Samadi Gharehveran, S.; Ghassemzadeh, S.; Rostami, N. “Two-Stage Resilience-Constrained Planning of Coupled Multi-Energy Microgrids in the Presence of Battery Energy Storages”; Sustain. Cities Soc. 2022, 83, 103952. DOI: 10.1016/j.scs.2022.103952

[5]     Asadi, M.; Zarei, B. “Detection of Denial of Service Attacks by Ensemble Learning Method”; J. Adv. Def. Sci. Technol. 2023, 14, 51–68. (In Persian) DOR: 20.1001.1.26762935. 1402.14.1.5.5

[6]     Alharthi, A.; Alaryani, M.; Kaddoura, S. “A Comparative Study of Machine Learning and Deep Learning Models in Binary and Multiclass Classification for Intrusion Detection Systems”; Array 2025, 100406. DOI: 10.1016/j.array. 2025.100406.

[7]     Badrinarayanan, V.; Kendall, A.; Cipolla, R. “SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation”; IEEE Trans. Pattern Anal. 2017, 39, 2481–2495. DOI: 10.1109/TPAMI.2016.2644615.

[8]     Samadi Gharehveran, S.; Nasiri, M. “Resilient Planning Against Disturbances and Optimal Location Determination for Mobile Energy Storage Systems in Smart Microgrids”; Passive Defense 2025, 16, 69–80. (In Persian) DOR: 20.1001.1.20086849.1404.16.2.6.2.

[9]     Moustafa, N.; Slay, J. “UNSW-NB15: A Comprehensive Data Set for Network Intrusion Detection Systems”; Mil. Commun. Inf. Syst. Conf. 2015. DOI: 10.1109/MilCIS. 2015.7348942.

[10] Corea, P. M.; Liu, Y.; Wang, J.; Niu, S.; Song, H. “Explainable AI for Comparative Analysis of Intrusion Detection Models”; IEEE Int. Mediterr. Conf. Commun. Netw. 2024, 585–590. IEEE. DOI: 10.1109/MeditCom 61057.2024.10621339.

[11] Malele, V.; Mathonsi, T. E. “Testing the Performance of Multi-Class IDS Public Dataset Using Supervised Machine Learning Algorithms”; arXiv.2302.14374, 2023. DOI: 10.48550/arXiv.2302.14374.

[12] Zoghi, Z.; Serpen, G. “Ensemble Classifier Design Tuned to Dataset Characteristics for Network Intrusion Detection”; arXiv.2205.06177, 2022. DOI: 10.48550/ arXiv.2205.06177

[13] Samadi Gharehveran, S.; G. Zadeh, S.; Rostami, N. “Resilience-Oriented Planning and Pre-Positioning of Vehicle-Mounted Energy Storage Facilities in Community Microgrids”; J. Energy Storage 2023, 72, 108263. DOI: 10.1016/j.est.2023.108263.

[14] Ajagbe, S. A.; Bamidele, A. J.; Florez, H. “Intrusion Detection: A Comparison Study of Machine Learning Models Using Unbalanced Dataset”; SN Comput. Sci. 2024, 5, 1028. DOI: 10.1007/ s42979-024-03369-0.

[15] Rastgoo, M.; Jalali, M. “Detection of Cybercrimes in Online Connections by the Data Mining Approach”; Passive Defense 2020, 11, 63–70. (In Persian) DOR: 20.1001. 1.20086849.1399.11.1.6.5.

[16] Saheed, Y. K.; Misra, S. “A Voting Gray Wolf Optimizer-Based Ensemble Learning Models for Intrusion Detection in the Internet of Things”; Int. J. Inf. Secur. 2024, 23, 1557-1581. DOI: 10.1007/s10207-023-00803-x.

[17]Abbasi, R.; Javadzade, M. A. “Predicting Public Unrest Using Social Networks, Based on Machine Learning in the Natural Language Processing”; Passive Defense 2022, 13, 45-56. (In Persian) DOR: 20.1001.1.20086849.1401.13. 3.5.2.

[18]Nemati, R.; Shirini, K.; Samadi Gharehveran, S.  “FER-HA: A Hybrid Attention Model for Facial Emotion Recognition”; J. Supercomput. 2025, 81, 1485. DOI: 10.1007/s11227-025-07983-4.

[19]Saeedi, N.; Baharvand, D.; Shirini, K.; Samadi Gharehveran, S.  “Prediction of Electrical Energy Consumption Using Principal Component Analysis and Independent Components Analysis”; J. Supercomput. 2025, 81, 1072. DOI: 10.1007/s11227-025-07505-2

[20]Samadi Gharehveran, S.; Shirini, K.; Khavar, S. C.; Abdollahi, A. “Optimizing Day-Ahead Power Scheduling: A Novel MIQCP Approach for Enhanced SCUC with Renewable Integration”; e-Prime-Adv. Electr. Eng., Electron. Energy 2025, 101022. DOI: 10.1016/j.prime. 2025.101022

[21]Samadi Gharehveran, S.; Shirini, K.; Abdolahi, A. “Optimizing Energy Storage Solutions for Grid Resilience: A Comprehensive Overview”; intechopen 2025. DOI: 10.5772/ intechopen.1006499

[22]Taherihajivand, A.; Shirini, K.; Samadi Gharehveran, S. “An Overview of Product Performance Prediction Using Artificial Algorithms”; J. Agric. Mechanization 2024, 9, 1–14. DOI: 10.22034/jam.2024.61899.1276.

[23]Zaki Dizaji, H.; Shirini, K.; Taherihajivand, A.; Monjezi, N. “Modelling Variables Affecting the Yield of Sugarcane Fields Using Deep Recurrent Neural Network”; Iran. J. Biosyst. Eng. 2024, 55, 93–108. DOI: 10.22059/ijbse.2025. 378958.665557.

[24]Sattari, M. T.; Bagheri, R.; Shirini, K.; Allahverdipour, P. “Modeling Daily and Monthly Rainfall in Tabriz Using Ensemble Learning Models and Decision Tree Regression”; Clim. Change Res. 2024, 5, 31–48. DOI: 10.30488/ccr.2024. 433394.1192.

[25]Sattari, M. T.; Shirini, K.; Javidan, S. “Evaluating the Efficiency of Dimensionality Reduction Methods in Improving the Accuracy of Water Quality Index Modeling in Qizil-Uzen River Using Machine Learning Algorithms”; Water Soil Manag. Model. 2024, 4, 89–104. DOI: 10.22098/ mmws.2023.12434.1241.

[26]Taherihajivand, A.; Shirini, K.; Samadi Gharehveran, S. “Weed Detection in Fields Using Convolutional Neural Network Based on Deep Learning”; Agric. Eng. 2024, 47, 129–142. DOI: 10.22055/agen.2024.45327.1688.

[27]Zahiri, M.; Shirini, K.; Samadi Gharehveran, S. “Network Traffic Analysis with Machine Learning for Faster Detection of Distributed Denial of Service Attack”; J. Adv. Def. Sci. Technol. 2024, 14, 273–282. DOR: 20.1001.1.26762935. 1402.14.4.6.2. 

[28]Shirini, K.; Taherihajivand, A.; Samadi Gharehveran, S. “A Review of Algorithms for Solving the Project Scheduling Problem with Resource Constraints Considering Agricultural Problems”; J. Agric. Mechanization 2023, 8, 1–14. DOI: 10.22034/jam.2023.55751.1227.

[29]Tan, J.; Radhi, R. M.; Shirini, K.; Samadi Gharehveran, S.; Parisooz, Z.; Khosravi M.; Azarinfar, H. “Innovative Framework for Fault Detection and System Resilience in Hydropower Operations Using Digital Twins and Deep Learning”; Sci. Rep. 2025, 15, 15669. DOI: 10.1038/s41598-025-98235-1

[30]Jin, K.; Banizaman, H.; Samadi Gharehveran, S.; Jokar, M. R.; Mohamadi Amidi, A. R.; Yu, J.; Oleiwi Shami; H. “Robust Power Management Capabilities of Integrated Energy Systems in the Smart Distribution Network Including Linear and Non-Linear Loads”; Sci. Rep. 2025, 15, 6615. DOI: 10.1038/s41598-025-89817-0.

[31] Shirini, K.; Aghdasi, H. S.; Saeedvand, S. “Modified Imperialist Competitive Algorithm for Aircraft Landing Scheduling Problem”; J. Supercomput. 2024, 80(10). DOI: 10.1007/s11227-024-05999-w. 

 

آمار
تعداد مشاهده مقاله: 6