تقييم استقرار وكفاءة اختيار الخصائص في أنظمة كشف التسلل متعددة الفئات باستخدام خوارزميات التعلم الآلي
DOI:
https://doi.org/10.65405/gjq8v425الكلمات المفتاحية:
أنظمة كشف التسلل، اختيار الخصائص، التعلم الآلي، التصنيف متعدد الفئات، معامل جاكارد، UNSW-NB15.الملخص
تهدف هذه الدراسة إلى تقييم استقرار وكفاءة خوارزميات اختيار الخصائص في أنظمة كشف التسلل متعددة الفئات باستخدام خوارزميات التعلم الآلي، وذلك من خلال دراسة أثر اختيار الخصائص على استقرار المجموعات المختارة وأداء التصنيف والكفاءة الحسابية. استخدمت الدراسة مجموعة بيانات UNSW-NB15، وتم تطبيق خوارزميتي المعلومات المتبادلة (Mutual Information – MI) واختبار كاي تربيع (Chi-Square) لاختيار أفضل 20 خاصية من أصل 194 خاصية. وتم تقييم استقرار الاختيار باستخدام معامل جاكارد عبر خمس عينات عشوائية، كما تم تقييم أداء التصنيف باستخدام مقاييس Accuracy وPrecision وRecall وF1-score، إلى جانب قياس زمن التدريب والتنبؤ.
أظهرت النتائج أن خوارزمية MI حققت أعلى استقرار في اختيار الخصائص بمتوسط معامل جاكارد بلغ 1.0000، مقارنة بـ0.8883 لخوارزمية Chi-Square. كما حققت MI أعلى قيمة لمقياس Macro F1-score بلغت 0.5226، وأعلى دقة كلية بلغت 0.7487. في المقابل، حققت خوارزمية Chi-Square أفضل كفاءة زمنية، حيث بلغ زمن التدريب 326.42 ثانية وزمن التنبؤ 1.09 ثانية. وتشير النتائج إلى أهمية تقييم خوارزميات اختيار الخصائص من جوانب متعددة تشمل الاستقرار وجودة التصنيف والكفاءة الحسابية، وعدم الاعتماد على مقياس واحد لتحديد الخوارزمية الأنسب لأنظمة كشف التسلل متعددة الفئات.
التنزيلات
المراجع
1. More, S., Idrissi, M., Mahmoud, H., & Asyhari, A. T. (2024). Enhanced intrusion detection systems performance with UNSW-NB15 data analysis. Algorithms, 17(2), 64. https://doi.org/10.3390/a17020064
2. Sowmya, T., & Mary Anita, E. A. (2025). A novel stable feature selection algorithm for machine learning based intrusion detection system. Procedia Computer Science, 252, 738–747. https://doi.org/10.1016/j.procs.2025.01.034
3. Umer, M., Tahir, M., Sardaraz, M., Sharif, M., Elmannai, H., & Algarni, A. D. (2025). Network intrusion detection model using wrapper based feature selection and multi head attention transformers. Scientific Reports, 15, Article 28718. https://doi.org/10.1038/s41598-025-11348-5
4. Saputra, A., Ramli, K., Nugroho, A. S., Nugraha, I. G. D., & Pranggono, B. (2026). A novel hybrid IGL1 feature selection method for high-performance intrusion detection on the UNSW-NB15 dataset using multiple machine learning models. Big Data and Cognitive Computing, 10(6), 182. https://doi.org/10.3390/bdcc10060182
5. Khraisat, A., Gondal, I., Vamplew, P., & Kamruzzaman, J. (2019). Survey of intrusion detection systems: techniques, datasets and challenges. Cybersecurity, 2, Article 20. https://doi.org/10.1186/s42400-019-0038-7.
6. Dina, A. S., & Manivannan, D. (2021). Intrusion detection based on Machine Learning techniques in computer networks. Internet of Things, 16, 100462. https://doi.org/10.1016/j.iot.2021.100462.
7. Moustafa, N., & Slay, J. (2015). UNSW-NB15: A comprehensive data set for network intrusion detection systems (UNSW-NB15 network data set). In 2015 Military Communications and Information Systems Conference (MilCIS) (pp. 1–6). IEEE. https://doi.org/10.1109/MilCIS.2015.7348942
