In intrusion detection, approaches incorporated with data mining become interesting nowadays, in particular the associative classification which is a hybrid technique which uses pruning measure. Although the full rules set is not intended for precise classification, the rules have been used effectively by classifiers that have been built in previous systems. Class detection by variance process uses the association rule mining concept for discovering the association among data variables, and the gained information about different patterns is used to classify the variables into different classes. Using the identified centroids, numerical data is discretized and fed to rule precision index (RPI) classifier for rule induction. Popular Data mining tools operate this technique in the name association based on classification (CBA) which uses confidence as an interest measure for rule pruning. In this work, we present a new interest measure named rule precision index (RPI) which helps us to prune association rules efficiently, and the impact is observed in the classification of attack and non-attack. The resultant associate method produces the best performance among association-based classifiers and is evaluated with conventional classifiers against three different intrusion detection datasets, namely NSL-KDD, CICIDS-2017 and KDD CUP99. The proposed RPI classifier, incorporated with novel interest measure, provides the best accuracy rate of 89.48 % on average than the available classifiers.

在入侵检测中，结合数据挖掘的方法现在变得有趣，特别是关联分类，这是一种使用修剪措施的混合技术。尽管完整的规则集并非用于精确分类，但这些规则已被先前系统中构建的分类器有效地使用。基于方差过程的类检测使用关联规则挖掘的概念来发现数据变量之间的关联，并利用获得的不同模式的信息将变量分类到不同的类中。使用识别的质心，数值数据被离散化并馈送到规则精度指数 (RPI) 分类器以进行规则归纳。流行的数据挖掘工具在基于分类的名称关联 (CBA) 中使用此技术，该技术使用置信度作为规则修剪的兴趣度量。在这项工作中，我们提出了一种名为规则精度指数（RPI）的新兴趣度量，它帮助我们有效地修剪关联规则，并在攻击和非攻击的分类中观察到影响。由此产生的关联方法在基于关联的分类器中产生最佳性能，并使用传统分类器针对三个不同的入侵检测数据集进行评估，即 NSL-KDD、CICIDS-2017 和 KDD CUP99。所提出的 RPI 分类器与新的兴趣度量相结合，提供了比可用分类器平均 89.48% 的最佳准确率。我们提出了一种名为规则精度指数（RPI）的新兴趣度量，它帮助我们有效地修剪关联规则，并在攻击和非攻击的分类中观察到影响。由此产生的关联方法在基于关联的分类器中产生最佳性能，并使用传统分类器针对三个不同的入侵检测数据集进行评估，即 NSL-KDD、CICIDS-2017 和 KDD CUP99。所提出的 RPI 分类器与新的兴趣度量相结合，提供了比可用分类器平均 89.48% 的最佳准确率。我们提出了一种名为规则精度指数（RPI）的新兴趣度量，它帮助我们有效地修剪关联规则，并在攻击和非攻击的分类中观察到影响。由此产生的关联方法在基于关联的分类器中产生最佳性能，并使用传统分类器针对三个不同的入侵检测数据集进行评估，即 NSL-KDD、CICIDS-2017 和 KDD CUP99。所提出的 RPI 分类器与新的兴趣度量相结合，提供了比可用分类器平均 89.48% 的最佳准确率。由此产生的关联方法在基于关联的分类器中产生最佳性能，并使用传统分类器针对三个不同的入侵检测数据集进行评估，即 NSL-KDD、CICIDS-2017 和 KDD CUP99。所提出的 RPI 分类器与新的兴趣度量相结合，提供了比可用分类器平均 89.48% 的最佳准确率。由此产生的关联方法在基于关联的分类器中产生最佳性能，并使用传统分类器针对三个不同的入侵检测数据集进行评估，即 NSL-KDD、CICIDS-2017 和 KDD CUP99。所提出的 RPI 分类器与新的兴趣度量相结合，提供了比可用分类器平均 89.48% 的最佳准确率。