Network anomaly classification by support vector classifiers ensemble and non-linear projection techniques

Abstract

Network anomaly detection is currently a challenge due to the number of different attacks and the number of potential attackers. Intrusion detection systems aim to detect misuses or network anomalies in order to block ports or connections, whereas firewalls act according to a predefined set of rules. However, detecting the specific anomaly provides valuable information about the attacker that may be used to further protect the system, or to react accordingly. This way, detecting network intrusions is a current challenge due to growth of the Internet and the number of potential intruders. In this paper we present an intrusion detection technique using an ensemble of support vector classifiers and dimensionality reduction techniques to generate a set of discriminant features. The results obtained using the NSL-KDD dataset outperforms previously obtained classification rates

La detección de anomalías en la red es actualmente un desafío debido a la cantidad de ataques diferentes y el número de posibles atacantes. Los sistemas de detección de intrusos apuntan a detectar los abusos. o anomalías de la red para bloquear puertos o conexiones, mientras que los firewalls actúan de acuerdo a un conjunto predefinido de reglas. Sin embargo, la detección de la anomalía específica proporciona información valiosa sobre el atacante que puede usarse para proteger aún más el sistema, o para reaccionar en consecuencia. De esta manera, la detección de intrusiones en la red es un desafío actual debido a el crecimiento de Internet y el número de posibles intrusos. En este trabajo presentamos una técnica de detección de intrusos utilizando un conjunto de clasificadores de vectores de soporte y técnicas de reducción de dimensionalidad para generar un conjunto de características discriminantes. Los resultados obtenido utilizando el conjunto de datos NSL-KDD supera las tasas de clasificación obtenidas previamente