Wyniki wyszukiwania - BazTech

1

Feature optimization using a two-tier hybrid optimizer in an Internet of Things network

Agrawal Akhileshwar Prasad, Singh Nanhay

International Journal of Applied Mathematics and Computer Science

|

2023

|

Vol. 33, no. 2

313--326

EN

The growing use of the Internet of Things (IoT) in smart applications necessitates improved security monitoring of IoT components. The security of such components is monitored using intrusion detection systems which run machine learning (ML) algorithms to classify access attempts as anomalous or normal. However, in this case, one of the issues is the large length of the data feature vector that any ML or deep learning technique implemented on resource-constrained intelligent nodes must handle. In this paper, the problem of selecting an optimal-feature set is investigated to reduce the curse of data dimensionality. A two-layered approach is proposed: the first tier makes use of a random forest while the second tier uses a hybrid of gray wolf optimizer (GWO) and the particle swarm optimizer (PSO) with the k-nearest neighbor as the wrapper method. Further, differential weight distribution is made to the local-best and global-best positions in the velocity equation of PSO. A new metric, i.e., the reduced feature to accuracy ratio (RFAR), is introduced for comparing various works. Three data sets, namely, NSLKDD, DS2OS and BoTIoT, are used to evaluate and validate the proposed work. Experiments demonstrate improvements in accuracy up to 99.44%, 99.44% and 99.98% with the length of the optimal-feature vector equal to 9, 4 and 8 for the NSLKDD, DS2OS and BoTIoT data sets, respectively. Furthermore, classification improves for many of the individual classes of attacks: denial-of-service (DoS) (99.75%) and normal (99.52%) for NSLKDD, malicious control (100%) and DoS (68.69%) for DS2OS, and theft (95.65%) for BoTIoT.

2

Studium przypadku skuteczności nowych metod optymalizacji roju w porównaniu do metod znanych

Baumgart Jan, Sangho Belco

Studia i Materiały Informatyki Stosowanej

|

2021

|

nr 1

47--50

PL

Porównianie skuteczności nowych metod optymalizacji roju w porównaniu z metodami znanymi w dziedzinie. Inspirowane naturą algorytmy metaheurystyczne stają się coraz bardziej popularne w rozwiązywaniu problemów optymalizacyjnych. Dzięki ich popularności niemal codziennie możemy zobaczyć nowepodejścia i proponowane rozwiązania. W tym artykule przedstawię porównanie, które pokaże kilka najnowszychprac z tej dziedziny w porównaniu z niektórymi algorytmami traktowanymi jako podstawa dziedziny. Głównymcelem było porównanie ostatnio wprowadzonych algorytmów roju i określenie, kiedy nowe rozwiązania są faktycznie szybsze i bardziej precyzyjne. Podsumowując, czy przetestowane nowe podejścia są lepsze niż obecne,dobrze znane i ugruntowane w terenie algorytmy. Algorytmy brane pod uwagę w tej pracy to: Particle SwarmOptimization [5], Artifical Bee Colony [3], Elephant Herding Optimization [7], Whale Optimization [4] i Gras-shopper Optimization [6].Algorytmy uznawane za nowe w tej dziedzinie porównano z dwoma popularnymi idobrze znanymi algorytmami metaheurystycznymi pod względem dokładności znalezionych rozwiązań i szybkości. Zgodnie z wynikami eksperymentów większość porównywanych nowych algorytmów dawała zadowalającewyniki w użytkowaniu.

EN

Comparing the effectiveness of new methods of swarm optimization in comparison with knownmethods. Nature-inspired metaheuristic algorithms are becoming more and more popular in solving optimization problems. Thanks to their popularity, we can see new approaches and proposed solutions almost everyday. In this article, I will present a comparison that will show some of the most recent works in this fieldcompared to some algorithms considered as the basis of the field. The main goal was to compare the recently introduced swarm algorithms and determine when new solutions are actually faster and more precise. Inconclusion, are the new approaches tested better than the current, well-known and field-grounded algorithms?The algorithms considered in this paper are Particle Swarm Optimization, Artifical Bee Colony, Elephant Herding Optimization, Whale Optimization, and Grasshopper Optimization. Algorithms considered new inthis field were compared with two popular and well-known metaheuristic algorithms in terms of accuracy ofsolutions found and speed. According to the experimental results, most of the compared new algorithms gave satisfactory results in use.

3

Algorytm inspirowany polem walki - połączenie algorytmów numerycznych z ideą roju

Baumgart Jan, Sangho Belco

Studia i Materiały Informatyki Stosowanej

|

2021

|

nr 2

26--31

PL

Artykuł przedstawia przygotowany algorytm na bazie połączenia idei znanych metod numerycznych z metodami opartymi na idei roju. Algorytm został przygotowany z inspiracji polem walki podczas którego w równych odstępach żołnierze przeczesują siły wroga z różnymi prędkościami zależnie od posiadanego orężu a następnie ograniczają zakres pola bitwy. Zaproponowane rozwiązanie wywodzi się właśnie ze zbliżonych założeń. Głównym założeniem pracy było przedstawienie potencjalnego zysku z połączenia metod optymalizacji oraz porównanie metody mieszanej z metodami bazującymi na idei roju pod względem prędkości działania oraz skuteczności odnajdowania optimum globalnego.Algorytm został porównany z dwoma algorytmami metaheurystycznymi pod kątem dokładności odnalezionych rozwiązań oraz prędkości. Zgodnie z wynikami eksperymentów posiada wydajność podobną w porównaniu z innymi algorytmami oraz daje zadowalające efekty w wykorzystaniu.

EN

he article presents prepared algorithm based on the combination of the ideas of known numericalmethods with methods based on the idea of a swarm. The algorithm was prepared inspired by the battlefield,during which, at equal intervals, soldiers scour enemy forces at different speeds depending on the weapon theyhave, and then limit the scope of the battlefield. The proposed solution is based on similar assumptions. Themain assumption of the work was to present the potential profit from the combination of optimization methodsand to compare the mixed method with methods based on the idea of a swarm in terms of operating speed andthe effectiveness of finding the global optimum. The algorithm was compared with two metaheuristic algorithmsin terms of the accuracy of the solutions found and speed. According to the results of the experiments, it hasa similar performance compared to other algorithms and gives satisfactory results in use.

4

Komputerowy algorytm optymalizacji oparty na teorii "małych światów"

Bieś G.

Pomiary Automatyka Kontrola

|

2011

|

R. 57, nr 7

733-736

PL

W opracowaniu przedstawiono komputerowy algorytm optymalizacji o nazwie Algorytm "Małe Światy" (AMS), wykorzystujący mechanizm przeszukiwania przestrzeni dopuszczalnych rozwiązań problemu optymalizacyjnego opartego na fenomenie zjawiska "małych światów". W algorytmie zaproponowano metody wyznaczania lokalnych i dalekich kontaktów dla modelu sieci o właściwościach "małego świata", korzystając z teorii rachunku prawdopodobieństwa połączonego z pozycyjnym systemem liczbowym. Uzyskane wyniki testów wskazują, że algorytm skutecznie przeszukuje znaczne obszary dopuszczalnych wartości funkcji celu, znajdując rozwiązania optymalne. Właściwości te sugerują, że zaprezentowane rozwiązania mogą być przydatną metodą optymalizacyjną.

EN

The paper presents a computer algorithm optimization, called Algo-rithm "Small-Worlds" (ASW), that uses mechanism of search the space of feasible solutions the optimization problem based on the "small-worlds" phenomenon. In the algorithm the determination of local and distant contacts for the "small-world" network model, using theory of probability combined with positional numeral system is used. In order to validate the algorithm with respect to the theory of J.M. Kleinberg, conducted test by finding the shortest path between any two points in two-dimensional networks of different sizes [Tab. 1]. Benchmarks of algorithm (ASW) as compared with genetic algorithm (GA) for finding an extremum functions and polynomial coefficients are given. The tests results indicate [Tab. 2] that algorithm provides effective mechanisms to search large areas of the limit values objective function and finds optimal solution. These properties suggest that presented solutions can be a useful method for solving optimization problems.