A HYBRID FEATURE IMPORTANCE METHOD FOR IMPROVING NETWORK INTRUSION DETECTION ACCURACY

Detecting network intrusions in IoT environments is as important as preventing them, especially when monitoring systems that operate continuously. To perform effective classification using machine learning methods, it is recommended to select the most relevant features from network traffic data. There are several approaches to evaluating feature importance (FI). However, their results differ significantly, making it difficult to determine which features truly matter for intrusion detection. To address this issue, we propose a hybrid method aimed at minimizing these differences. Furthermore, to demonstrate the effectiveness of the proposed method, we used the extracted FI values as weights for a weighted KNN classifier and compared its classification performance. RU Обнаружение сетевых вторжений в среде IoT имеет такое же важное значение, как и их предотвращение, особенно в системах мониторинга, работающих непрерывно. Для эффективной классификации с использованием методов машинного обучения рекомендуется выбирать наиболее значимые признаки из данных сетевого трафика. Существует несколько подходов к оценке важности признаков (FI). Однако их результаты существенно различаются, что затрудняет определение признаков, действительно имеющих значение для обнаружения вторжений. Для решения данной проблемы предложен гибридный метод, направленный на минимизацию этих различий. Кроме того, для демонстрации эффективности предложенного метода полученные значения FI использовались в качестве весов в взвешенном классификаторе KNN, после чего была проведена оценка его эффективности классификации. UZ IoT muhitida tarmoq hujumlarini aniqlash ularning oldini olish kabi muhim ahamiyatga ega, ayniqsa, uzluksiz ishlaydigan monitoring tizimlarida. Mashinaviy oʻqitish usullari yordamida samarali tasniflashni amalga oshirish uchun tarmoq trafigi ma'lumotlaridan eng muhim xususiyatlarni tanlab olish tavsiya etiladi. Xususiyatlar muhimligini (FI) baholashning bir nechta yondashuvlari mavjud. Biroq ularning natijalari sezilarli darajada farq qiladi, bu esa tarmoq hujumlarini aniqlashda qaysi xususiyatlar haqiqatan ham muhim ekanini aniqlashni qiyinlashtiradi. Ushbu muammoni hal qilish uchun mazkur farqlarni minimallashtirishga qaratilgan gibrid usul taklif etildi. Shuningdek, taklif etilgan usulning samaradorligini koʻrsatish maqsadida aniqlangan FI qiymatlari vazn sifatida vaznli KNN klassifikatorida qoʻllanildi va uning tasniflash samaradorligi taqqoslandi.