Bücher von Kandru Arun Kumar

Cybersicherheit im Zusammenhang mit Big Data ist bekanntermaßen ein kritisches Problem und stellt eine große Herausforderung für die Forschungsgemeinschaft dar. Algorithmen des maschinellen Lernens wurden als Kandidaten für die Behandlung von Big-Data-Sicherheitsproblemen vorgeschlagen. Unter diesen Algorithmen haben Support-Vektor-Maschinen (SVMs) bemerkenswerte Erfolge bei verschiedenen Klassifizierungsproblemen erzielt. Um eine effektive SVM einzurichten, muss der Benutzer jedoch im Voraus die richtige SVM-Konfiguration festlegen, was eine schwierige Aufgabe ist, die Expertenwissen und einen hohen manuellen Aufwand für Versuch und Irrtum erfordert. Hier formulieren wir den SVM-Konfigurationsprozess als ein bi-objektives Optimierungsproblem, bei dem Genauigkeit und Modellkomplexität als zwei widersprüchliche Ziele betrachtet werden. Wir schlagen ein neuartiges hyperheuristisches Rahmenwerk für die Zwei-Ziel-Optimierung vor, das unabhängig von der Problemdomäne ist. Dies ist das erste Mal, dass eine Hyperheuristik für dieses Problem entwickelt wurde. Der vorgeschlagene hyperheuristische Rahmen besteht aus einer High-Level-Strategie und Low-Level-Heuristiken.

Se sabe que la ciberseguridad en el contexto de los macrodatos es un problema crítico y plantea un gran reto a la comunidad investigadora. Se han propuesto algoritmos de aprendizaje automático como candidatos para tratar los problemas de seguridad de los macrodatos. Entre estos algoritmos, las máquinas de vectores soporte (SVM) han logrado un éxito notable en varios problemas de clasificación. Sin embargo, para establecer una SVM eficaz, el usuario necesita negar de antemano la configuración adecuada de la SVM, que es una tarea desafiante que requiere conocimientos de expertos y una gran cantidad de esfuerzo manual de prueba y error. Aquí formulamos el proceso de configuración de la SVM como un problema de optimización bi-objetivo en el que la precisión y la complejidad del modelo se consideran dos objetivos en conflicto. Proponemos un novedoso marco hiperheurístico para la optimización bi-objetivo que es independiente del dominio del problema. Es la primera vez que se desarrolla una hiperheurística para este problema. El marco hiperheurístico propuesto consiste en una estrategia de alto nivel y una heurística de bajo nivel.

A cibersegurança no contexto dos grandes volumes de dados é conhecida como um problema crítico e representa um grande desafio para a comunidade de investigação. Os algoritmos de aprendizagem automática têm sido sugeridos como candidatos para lidar com problemas de segurança de grandes volumes de dados. Entre estes algoritmos, as máquinas de vectores de apoio (SVM) obtiveram um sucesso notável em vários problemas de classificação. No entanto, para estabelecer uma SVM eficaz, o utilizador tem de negar antecipadamente a configuração adequada da SVM, o que é uma tarefa difícil que requer conhecimentos especializados e um grande esforço manual de tentativa e erro. Aqui formulamos o processo de configuração da SVM como um problema de otimização bi-objetivo em que a precisão e a complexidade do modelo são consideradas como dois objectivos contraditórios. Propomos uma nova estrutura hiper-heurística para otimização bi-objetiva que é independente do domínio do problema. Esta é a primeira vez que se desenvolve uma hiper-heurística para este problema. A estrutura hiper-heurística proposta é composta por uma estratégia de alto nível e heurísticas de baixo nível.

Kiberbezopasnost' w kontexte bol'shih dannyh, kak izwestno, qwlqetsq kriticheskoj problemoj i predstawlqet soboj bol'shoj wyzow dlq issledowatel'skogo soobschestwa. V kachestwe kandidatow dlq resheniq problem bezopasnosti bol'shih dannyh byli predlozheny algoritmy mashinnogo obucheniq. Sredi ätih algoritmow zametnyh uspehow w reshenii razlichnyh zadach klassifikacii dobilis' mashiny opornyh wektorow (SVM). Odnako dlq sozdaniq äffektiwnoj SVM pol'zowatelü neobhodimo zaranee opredelit' prawil'nuü konfiguraciü SVM, chto qwlqetsq slozhnoj zadachej, trebuüschej äxpertnyh znanij i bol'shih zatrat ruchnogo truda na metod prob i oshibok. V dannoj rabote my formuliruem process nastrojki SVM kak zadachu dwuhob#ektnoj optimizacii, w kotoroj tochnost' i slozhnost' modeli rassmatriwaütsq kak dwe konfliktuüschie celi. My predlagaem nowyj giperäwristicheskij frejmwork dlq biob#ektiwnoj optimizacii, kotoryj ne zawisit ot problemnoj oblasti. Jeto perwyj sluchaj razrabotki giperäwristiki dlq dannoj zadachi. Predlagaemaq giperäwristicheskaq sistema sostoit iz wysokourownewoj strategii i nizkourownewyh äwristik.

La sicurezza informatica nel contesto dei big data è nota per essere un problema critico e rappresenta una grande sfida per la comunità di ricerca. Gli algoritmi di apprendimento automatico sono stati proposti come candidati per gestire i problemi di sicurezza dei big data. Tra questi algoritmi, le macchine a vettori di supporto (SVM) hanno ottenuto un notevole successo su vari problemi di classificazione. Tuttavia, per stabilire un SVM efficace, l'utente deve negare in anticipo la corretta configurazione dell'SVM, un compito impegnativo che richiede conoscenze specialistiche e una grande quantità di sforzi manuali per tentativi ed errori. Qui formuliamo il processo di configurazione dell'SVM come un problema di ottimizzazione bi-obiettivo in cui l'accuratezza e la complessità del modello sono considerati due obiettivi in conflitto. Proponiamo un nuovo framework iper-euristico per l'ottimizzazione bi-obiettivo che è indipendente dal dominio del problema. È la prima volta che viene sviluppato un iper-euristico per questo problema. La struttura iper-euristica proposta consiste in una strategia di alto livello e in un'euristica di basso livello.

La cybersécurité dans le contexte du big data est connue pour être un problème critique et représente un grand défi pour la communauté des chercheurs. Les algorithmes d'apprentissage automatique ont été proposés comme candidats pour traiter les problèmes de sécurité des big data. Parmi ces algorithmes, les machines à vecteurs de support (SVM) ont connu un succès remarquable sur divers problèmes de classification. Cependant, pour établir un SVM efficace, l'utilisateur doit nier la configuration adéquate du SVM à l'avance, ce qui est une tâche difficile qui nécessite des connaissances d'expert et une grande quantité d'efforts manuels pour les essais et les erreurs. Ici, nous formulons le processus de configuration du SVM comme un problème d'optimisation bi-objectif dans lequel la précision et la complexité du modèle sont considérées comme deux objectifs conflictuels. Nous proposons un nouveau cadre hyper-heuristique pour l'optimisation bi-objectif qui est indépendant du domaine du problème. C'est la première fois qu'une hyper-heuristique est développée pour ce problème. Le cadre hyper-heuristique proposé se compose d'une stratégie de haut niveau et d'une heuristique de bas niveau.

Cyber security in the context of big data is known to be a critical problem and presents a great challenge to the research community. Machine learning algorithms have been suggested as candidates for handling big data security problems. Among these algorithms, support vector machines (SVMs) have achieved remarkable success on various classification problems. However, to establish an effective SVM, the user needs to deny the proper SVM configuration in advance, which is a challenging task that requires expert knowledge and a large amount of manual effort for trial and error. Here we formulate the SVM configuration process as a bi-objective optimization problem in which accuracy and model complexity are considered as two conflicting objectives. We propose a novel hyper-heuristic framework for bi-objective optimization that is independent of the problem domain. This is the first time that a hyper-heuristic has been developed for this problem. The proposed hyper-heuristic framework consists of a high-level strategy and low-level heuristics.