Adaptive decision tree with random forest integration and dimensionality reduction for efficient botnet forensics

Verimli Botnet Adli Bilimi için Rastgele Orman Entegrasyonu ve Boyut Azaltma ile Uyarlanabilir Karar Ağacı, uyarlanabilir bir karar ağacını rastgele orman entegrasyonuyla birleştirerek botnet tespiti için yeni bir yöntem önermektedir. Botnet tespitinde yanıt değişkenleri oldukça boyutlandırılmış olduğundan, çok adımlı ve zaman alıcı tespit süreçleri büyük zorluklardır. Entegre bir yöntemle, karar ağaçlarının oluşturulmasını basitleştirmek için önce yanıt değişkenlerini çoklu sınıf ve regresyon formatları olarak modelleyebiliriz. Daha sonra, uyarlanabilir karar ağacı özellik seçimine dayanarak, uygun boyutlu özellik alanı altında rastgele orman regresyon modelini verimli bir şekilde kurmak için belirgin olmayan özellikleri filtreleriz. Dahası, çok etiketli sınıflandırmayı ele almak için, botnetten etkilenen iletişim davranışlarını tespit etmek için Tree-2-Rule prosedürlerinde küresel model olarak rastgele bir orman kullanılır. Son olarak, en iyi veri kümelerine dayalı gerçek veri deneyleri yürütülmüştür. Sonuçlar, uyarlanabilir karar ağacının verimlilik ve doğrulukta mükemmel iyileştirmeler sağladığını göstermektedir. Gelecekteki araştırmalarda, GPU dokuzuncu sıra sansürlü çok durumlu tanılama verileri, verilerin rastgele etki etkisini yok etmeyen yararlı gözlemlenmiş materyallerdir. Ayrıca, rastgele orman modelinin uygulanmasının mevcut ticari statüyü analiz etmede daha fazla zaman kazandırıp kazandıramayacağı gelecekteki geliştirmelerde açıklığa kavuşturulması gereken bir konudur. Ek olarak, bu araştırmada önerilen yöntemin geliştirilmesi daha fazla araştırma gerektirmektedir. Araştırma sonuçlarına dayanarak daha iyi hale getirebilir ve ardından tercih edilen çözümü önerebiliriz. Önerdiğimiz çözüm, hem akademik hem de ticari hedeflere uygun olarak verimli gerçek zamanlı bot olayı araştırmaları için bir araç olarak kullanılabilir.