TY  - JOUR
T1  - A MODIFIED FIREFLY ALGORITHM-BASED FEATURE SELECTION METHOD AND ARTIFICIAL IMMUNE SYSTEM FOR INTRUSION DETECTION
TT  - Saldırı Tespiti için Ateş Böceği Algoritması Tabanlı Özellik Seçim Yöntemi ve Yapay Bağışıklık Sistemi
AU  - Orman, Zeynep
AU  - Günay, Melike
PY  - 2020
DA  - April
Y2  - 2020
DO  - 10.17482/uumfd.649003
JF  - Uludağ Üniversitesi Mühendislik Fakültesi Dergisi
JO  - UUJFE
PB  - Bursa Uludağ University
WT  - DergiPark
SN  - 2148-4155
SP  - 269
EP  - 288
VL  - 25
IS  - 1
LA  - en
AB  - Intrusiondetection systems generally produce high dimensional data in network-basedcomputer systems. It is required to analyze this data effectively and create asuccessful model by selecting the important features to save only themeaningful data and protect the system against suspicious behaviors and attacksthat can occur in a system. Firefly Algorithm (FFA) is one of the mostpromising meta-heuristic methods which can be used to select important featuresfrom big data. In this paper, a modified Firefly Algorithm-based featureselection method is proposed. The traditional Firefly Algorithm is improved byusing the K-Nearest Neighborhood (K-NN) classifier and an additional featureselection step. The proposed method is tested on 4 different datasets of varioustypes of attacks. Three different sub-feature sets are obtained for eachdataset and the classification performances are compared. Artificial ImmuneSystem (AIS) method is also implemented to generate artificial data for thedatasets that have an insufficient number of data. This study shows that theproposed Firefly Algorithm performs successfully to decrease the dimension ofdata by selecting the features according to the obtained accuracy rates of theK-NN method. Memory usage is dramatically decreased over 50% by reducing thedimension with the proposed FFA. The obtained results indicate that this methodboth saves time and memory usage.
KW  - Firefly Algorithm
KW  - Artificial Immune System
KW  - K-NN
KW  - Feature Selection
N2  - Saldırıtespit sistemleri, genel olarak, ağ-tabanlı bilgisayar sistemlerinde yüksekboyutlu veri üretmektedir. Sistemi meydana gelebilecek ataklardan ve ağdakişüpheli hareketlerden korumak ve sadece anlamlı veriyi saklamak için bu yüksekboyutlu verinin etkili bir şekilde analiz edilmesi ve başarılı bir modeloluşturulması gerekmektedir. Ateş Böceği Algoritması, büyük veriden önemliözelliklerin seçilmesi için kullanılan en önemli üst-sezgisel algoritmalardanbiridir. Bu çalışmada, Ateş Böceği Algoritmasına dayalı yeni bir özellik seçmeyöntemi önerilmiştir. Önerdiğimiz bu yöntemde Ateş Böceği Algoritması, K-enyakın komşuluk algoritması ve ek bir özellik seçimi adımı ileiyileştirilmiştir. Önerilen yöntem, çeşitli saldırı türlerini içeren dörtfarklı veri kümesi ile test edilmiştir. Her veri kümesi için 3 farklı altözellik kümesi elde edilmiştir ve her birinin sınıflandırmadaki başarısıölçülerek karşılaştırılmıştır. Ayrıca, Yapay Bağışıklık Sistemi yöntemi ileveri sayısı yetersiz veri kümeleri için yapay veri üretildikten sonra AteşBöceği Algoritması uygulanmıştır. Bu çalışma, önerilen Ateş BöceğiAlgoritması’nın, K-en yakın komşuluk yöntemi ile elde edilen sınıflandırmasonuçlarına göre özellikleri seçerek verilerin boyutunu azaltmak için başarılıbir şekilde çalıştığını göstermektedir. Veri boyutunun azaltılması ile hafızakullanımı da %50’den fazla bir oranda azalmıştır. Elde edilen sonuçlar,önerilen yöntem sayesinde hem zamandan ve hem de hafıza kullanımından tasarrufedildiğini göstermektedir.
CR  - 1. Aranha C., Junior J. P., & Kanoh, H. (2018). Comparative study on discrete SI approaches to the graph coloring problem, Genetic and Evolutionary Computation Conference, Kyoto, Japan, 15-19. doi:10.1145/3205651.3205664
CR  - 2. Anbu M., & Mala G. S. (2019). Feature selection using firefly algorithm in software defect prediction. Cluster Computing, 22, 10925–10934. doi:10.1007/s10586-017-1235-3
CR  - 3. Aydilek İ. B. (2018). A hybrid firefly and particle swarm optimization algorithm for computationally expensive numerical problems, Applied Soft Computing, 66, 232-249. doi:10.1016/j.asoc.2018.02.025
CR  - 4. B Selvakumar., & K Muneeswaran. (2018). Firefly algorithm based feature selection for network intrusion detection. Computers & Security, 81, 148-155. doi:10.1016/j.cose.2018.11.005
CR  - 5. Er O., Yumusak N., & Temurtas, F. (2012). Diagnosis of chest diseases using artificial immune system, Expert Systems with Applications, 39(2), 1862-1868. doi:10.1016/j.eswa.2011.08.064
CR  - 6. Eren Y., Küçükdemiral İ., & Üstoğlu İ. (2017). Introduction to Optimization, In Optimization in Renewable Energy Systems, 27-74, Elsevier Butterworth-Heinemann. ISBN:9780081010419, 0081010419
CR  - 7. Fernandes, D. A., Freire, M. M., Fazendeiro, P., & Inácio, P. R. (2017). Applications of artificial immune systems to computer security: A survey, Journal of Information Security and Applications, 35, 138-159. doi:10.1016/j.jisa.2017.06.007
CR  - 8. Hui W., Wenjun W., Xinyu Z., Hui S., Jia Z., Xiang Y., & Zhihua C. (2017). Firefly algorithm with neighborhood attraction. Information Sciences, 382-383, 374-387. doi:10.1016/j.ins.2016.12.024
CR  - 9. Jain L., & Katarya R. (2019). Discover opinion leader in online social network using firefly algorithm, Expert Systems With Applications, 122, 1-15. doi: 10.1016/j.eswa.2018.12.043
CR  - 10. JR, Q. (1993). C4.5: Programs for Machine Learning. Erişim Adresi: https://github.com/defcom17/NSL _ KDD (Erişim Tarihi: 12.11.2018)
CR  - 11. Lee W., & Stolfo S. J. (1998). Data Mining Approaches for Intrusion Detection, Proceedings of the 7th USENIX Security Symposium, San Antonio, Texas: Usenix, 1-15. doi:10.5555/1267549.1267555
CR  - 12. Li Z., Kamlesh M., Lim C. P., & Neoh S. C. (2017). Feature selection using firefly optimization for classification and regression models, Decision Support Systems, 106, 64-85. doi: 10.1016/j.dss.2017.12.001
CR  - 13. Lunardi W. T., & Voos H. (2018). Comparative study of genetic and discrete firefly algorithm for combinatorial optimization, Proceedings of the 33rd Annual ACM Symposium on Applied Computing, Pau, France, 300-308. doi:10.1145/3167132.3167160
CR  - 14. Majdouli M. A., Bougrine, S., Rbouh, I., & Imrani, A. A. (2017). A Comparative Study of the EEG Signals Big Optimization problem using evolutionary, swarm and memetic computation algorithms, The Genetic and Evolutionary Computation Conference, Berlin, Germany, 1357-1364. doi:10.1145/3067695.3082489
CR  - 15. Marie-Sainte, S. L., & Alalyani, N. (2020). Firefly Algorithm based Feature Selection for Arabic Text Classification, Journal of King Saud University- Computer and Information Sciences, 32(3), 320-328. doi:10.1016/j.jksuci.2018.06.004
CR  - 16. Mashhour E. M., Houby E. M., & Khaled Tawfik Wassif, A. I. (2018). A Novel Classifier based on Firefly Algorithm, Journal of King Saud University – Computer and Information Sciences, In Press, Corrected Proof. doi:10.1016/j.jksuci.2018.11.009
CR  - 17. Pérez-Delgado, & María-Luisa. (2018). Artificial ants and fireflies can perform colour quantisation, Applied Soft Computing Journal, 73, 153-177. doi:10.1016/j.asoc.2018.08.018
CR  - 18. Saim B. (2017). Retrieved from Bilal Saim Website: https://bilalsaim.com/ates-bocegialgoritmasi-fafirefly-algorithm-h1635 (Erişim Tarihi: 06.11.2019 )
CR  - 19. Shang-fu, G., & Zhao, C.-I. (2012). Intrusion Detection System Based on Classification, 2012 IEEE International Conference on Intelligent Control, Automatic Detection and High-End Equipment, Beijing, China, 78-83. doi:10.1109/ICADE.2012.6330103
CR  - 20. Sukumar J. V., Pranav I., Neetish, M., & Narayanan, J. (2018). Network Intrusion Detection Using Improved Genetic k-means Algorithm, International Conference on Advances in Computing, Communications and Informatics, Bangalore, India, 2441-2446. doi:10.1109/ICACCI.2018.8554710
CR  - 21. Tariq, Z., Al-Ta'i, M., & Abdulhameed, O. Y. (2013). Features extraction of fingerprints using firefly algorithm, Proceedings of the 6th International Conference on Security of Information and Networks, Aksaray, Turkey, 392-395. doi:10.1145/2523514.2527014
CR  - 22. Wang, C.-F., & Song, W.-X. (2019). A novel firefly algorithm based on gender difference and its convergence, Applied Soft Computing Journal, 80, 107-124. doi:10.1016/j.asoc.2019.03.010
CR  - 23. Zhang, Y., Song, X.-f., & Gong, D.-w. (2017). A return-cost-based binary firefly algorithm for feature selection, Information Sciences, 418, 561-574. doi:10.1016/j.ins.2017.08.047
UR  - https://doi.org/10.17482/uumfd.649003
L1  - https://dergipark.org.tr/en/download/article-file/1058978
ER  -