Earticle

초록

영어

This study proposes a minimum dominating set (MDS)-based feature selection method to reduce redundant variables while preserving multiclass intrusion-detection performance. A feature-correlation graph was constructed from the 41 NSL-KDD features by connecting pairs whose positive Pearson correlation, calculated only from the training split, exceeded a specified threshold. Binary particle swarm optimization was then used to search for a minimum subset that dominates all vertices in the graph. Four correlation thresholds (0.6, 0.7, 0.8, and 0.9), a full 41-feature baseline, and five classifiers—Logistic Regression, Decision Tree, Random Forest, SVC, and MLP—were evaluated in 125 classification runs. The selected subsets contained 27.40 –34.20 features on average, corresponding to reductions of 16.59–33.17%. The strongest selected-feature result was obtained by MLPClassifier at threshold 0.8, achieving a macro F1-score of 0.8824 ±0.0061, an improvement of 0.0153 over its full-feature baseline. SVC also showed a small improvement, whereas other classifiers exhibited model-dependent performance losses. These results demonstrate that graph-based representative feature selection can preserve or improve minority-class-sensitive performance for some classifiers, but that the benefit depends on both the graph threshold and the learning algorithm. The study quantitatively clarifies the trade-off among dimensionality reduction, predictive performance, and computational cost.

한국어

본 연구는 네트워크 침입탐지에서 중복 특징을 줄이면서 다중 공격 유형의 탐지 성능을 유지하기 위한 최소 지배 집합(Minimum Dominating Set, MDS) 기반 특징 선택 방법을 제안한다. NSL-KDD의 41개 특징을 노드로 구성하고, 학습 데이터에서 계산한 Pearson 상관계수가 임계값 이상인 특징 쌍을 간선으로 연결하여 특징 상관관계 그래프를 생성하였다. 이후 이진 입자 군집 최적화(Binary Particle Swarm Optimization, 이하 이진 PSO)를 이용하여 그래프의 모든 노드를 지배하는 최소 특징 집합을 탐색하였다. 상관계수 임계값 0.6, 0.7, 0.8, 0.9를 적용하고, 전체 41개 특징 기준선 및 Logistic Regression, Decision Tree, Random Forest, SVC, MLP의 다섯 분류기를 이용하여 총 125회 성능을 비교하였다. 선택 특징 수는 평균 27.40 ~ 34.20개로 전체 특징 대비 16.59~33.17% 감소하였다. 특히 임계값 0.8의 MLPClassifier는 Macro F1 0.8824 ±0.0061로 전체 특징 기준선보다 0.0153 높았으며, SVC도 0.0018 향상되었다. 반면 일부 모델에서는 성능 저하가 나타나 특징 선택 효과가 분류기와 그래프 임계값에 따라 달라짐을 확인하였다. 본 연구는 그래프 지배성에 기반한 대표 특징 선택과 반복 실험을 통해 특징 수, 탐지 성능, 계산 시간 사이의 모델별 절충 관계를 정량적으로 제시한다.

목차

요약
ABSTRACT
1. 서론
2. 최소지배집합 기반 특징선택
2.1 NSL-KDD 데이터셋과 전처리
2.2 Pearson 상관계수 기반 특징 그래프
3. 이진 PSO 기반 최소 지배 집합 탐색
4. 실험 결과 및 논의
4.1 임계값에 따른 특징 선택 결과
4.2 다중 분류 성능 비교
4.3 학습 및 예측 시간 분석
4.4 종합 논의
5. 결론
참고문헌

키워드

저자

• 한승완 [ Seungwan Han | 국립목포대학교 컴퓨터학부 교수 ] 주저자
• 채정우 [ Jung-woo Chae | 국립목포대학교 컴퓨터학부 조교수 ] 공동저자
• 강승호 [ Seung-Ho Kang | 국립목포대학교 컴퓨터학부 부교수 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  융합보안논문지 [Jouranl of Information and Security]

• 간기

  연5회

• pISSN

  1598-7329

• 수록기간

  2001~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 005 DDC 005