An accelerated whale optimization algorithm (ACCWOA) for feature selection with applications to malware attack detection
Kötü amaçlı yazılım saldırısı algılama uygulamalarıyla özellik seçimi için hızlandırılmış balina optimizasyon algoritması (HBOA)
- Tez No: 984140
- Danışmanlar: Assist. Prof. Dr. İSA AVCI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Balina Optimizasyon Algoritması (BOA), kambur balinaların işbirlikçi avlanma stratejisinden esinlenen, yaygın olarak benimsenen bir meta-sezgisel yöntemdir. Başarısına rağmen, standart BOA erken yinelemelerde yavaş yakınsama, zayıf yerel arama iyileştirmesi, yerel optimumlarda erken durgunluk ve yetersiz çeşitlilik bakımı gibi çeşitli dezavantajlarla karşı karşıyadır. Bu sorunları ele almak için, bu tez, arama mekanizmasına bir hız faktörü dahil eden Hızlandırılmış Balina Optimizasyon Algoritması'nı (HBOA) tanıtmaktadır. Bu geliştirme, balinaların avlarına doğru hızlı hareketini simüle ederek yakınsama hızını, kullanım doğruluğunu, çeşitliliğin korunmasını iyileştirir ve daha kararlı arama davranışı için bellek benzeri yetenekler sağlar. Uygulanabilirliğini gerçek dünya alanlarına genişletmek için, yüksek boyutlu sınıflandırma problemlerinde özellik seçimi için ikili bir sürüm (IHBOA) önerilmektedir. IHBOA, ayrık arama alanlarında keşif ve sömürüyü dinamik olarak dengeleyerek, en bilgilendirici ve ayırt edici özellik alt kümelerini belirler ve temel bilgileri korurken boyutluluğu etkili bir şekilde azaltır. Bu alt kümeler, hiyerarşik özellik gösterimi için Evrişimli Sinir Ağları (ESA'ler) ve sınıflandırma için Rastgele Ormanlar (RO) gibi gelişmiş sınıflandırıcılara entegre edilir. HBOA ve IHBOA'nın etkinliği, IEEE CEC-2014 ve CEC-2017 kıyaslama fonksiyonları, beş klasik mühendislik tasarım problemi (yay tasarımı, üç çubuklu kafes, basınç kabı, kaynaklı kiriş ve konsol kiriş) ve iki pratik alan (siber güvenlikte kötü amaçlı yazılım tespiti ve sağlık hizmetlerinde tıbbi veri analizi) üzerinde yapılan kapsamlı deneylerle doğrulanmıştır. Sonuçlar, HBOA'nın standart BOA'ya kıyasla 18 test fonksiyonunun 14'ünde daha hızlı yakınsama sağladığını, daha yüksek doğruluk ve daha güçlü sağlamlık gösterdiğini doğrulamaktadır. Ayrıca, IHBOA tabanlı özellik seçimi, yüksek boyutlu ve dengesiz veri kümeleriyle çalışırken ESA ve RO modellerinin tahmin performansını önemli ölçüde artırmış, kötü amaçlı yazılım saldırısı probleminde %99,1 ve inme sınıflandırması probleminde %94,11 doğruluk elde etmiştir.
Özet (Çeviri)
The Whale Optimization Algorithm (WOA) is a widely adopted metaheuristic inspired by the cooperative hunting strategy of humpback whales. Despite its success, the standard WOA faces several drawbacks, including slow convergence in early iterations, weak local search refinement, premature stagnation in local optima, and insufficient diversity maintenance. To address these issues, this thesis introduces the Accelerated Whale Optimization Algorithm (ACCWOA), which incorporates a velocity factor into the search mechanism. At the same time, the control of the A ̅ parameter has been enhanced by expanding its range and increasing the likelihood of negative values, which doubles the exploratory capability compared to the original WOA. This enhancement simulates the rapid movement of whales toward prey, thereby enhancement convergence speed, exploitation accuracy, diversity preservation, and providing memory-like capabilities for more stable search behavior. To extend its applicability to real-world domains, a binary version (BACCWOA) is proposed for feature selection in high-dimensional classification problems. By dynamically balancing exploration and exploitation in discrete search spaces, BACCWOA identifies the most informative and discriminative feature subsets, effectively reducing dimensionality while retaining essential knowledge. These subsets are further integrated into advanced classifiers, including Convolutional Neural Networks (CNNs) for hierarchical feature representation, and Random Forests (RF) for classification. The effectiveness of ACCWOA and BACCWOA was validated through extensive experiments on the IEEE CEC-2014 and CEC-2017 benchmark functions, five classical engineering design problems (spring design, three-bar truss, pressure vessel, welded beam, and cantilever beam), and two practical domains: malware detection in cybersecurity and medical data analysis in healthcare. The results confirm that ACCWOA achieves faster convergence, outperforming the standard WOA on 14 out of 18 benchmark functions, and demonstrates higher accuracy and greater robustness. Moreover, the BACCWOA-based feature selection significantly enhancement the predictive performance of CNN and RF models when dealing with high-dimensional and imbalanced datasets, achieving 99.1% accuracy for the malware attack problem and 94.11% for the stroke classification problem.
Benzer Tezler
- İzmir'de bazı yolların kapatılarak yaya bölgeleri oluşturma da kent peyzajını geliştirme açısından yeniden planlanması üzerinde araştırmalar
Başlık çevirisi yok
BAHAR TÜRKYILMAZ
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
Ege ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Süt formüllerinin tüketim uygulamaları ve süt formüllerinin C vitamini içeriği ile pH değerleri
Başlık çevirisi yok
GÖNÜL VAROL