Design of an Evolutionary Approach for Intrusion Detection

Table 6

Overview of classification results of KDD cup 1999 subsets using NB as a base classifier.

Dataset	Technique	Avg. DR	Avg. FPR	CID	Normal	Probe	DoS	U2R	R2L
KDD 1	NB	0.619	0.208	0.129	0.698	0.960	0.387	0.140	0.140
	Bagged-NB	0.651	0.219	0.140	0.746	0.960	0.387	0.140	0.140
	Boosted-NB	0.619	0.208	0.129	0.698	0.960	0.387	0.140	0.140
	AMGA2-NB	0.736	0.260	0.165	0.872	0.893	0.413	0.140	0.220
KDD 2	NB	0.549	0.085	0.157	0.691	0.939	0.449	0.180	0.281
	Bagged-NB	0.549	0.085	0.157	0.691	0.939	0.449	0.180	0.281
	Boosted-NB	0.548	0.085	0.157	0.691	0.939	0.449	0.170	0.280
	AMGA2-NB	0.616	0.091	0.194	0.820	0.945	0.450	0.200	0.461
ITFS; KDD; 41 features	NB	0.446	0.120	0.074	0.945	0.972	0.353	0.254	0.223
	Bagged-NB	0.442	0.122	0.071	0.944	0.957	0.351	0.241	0.221
	Boosted-NB	0.446	0.120	0.074	0.945	0.972	0.353	0.254	0.223
	AMGA2-NB	0.604	0.060	0.197	0.855	0.997	0.287	0.145	0.814
ITFS; KDD; 10 features	NB	0.566	0.233	0.067	0.775	0.718	0.657	0.171	0.326
	Bagged-NB	0.540	0.237	0.056	0.775	0.717	0.599	0.158	0.326
	Boosted-NB	0.566	0.233	0.067	0.775	0.718	0.657	0.171	0.326
	AMGA2-NB	0.703	0.105	0.226	0.807	0.896	0.615	0.118	0.731