Treffer: Classifier Selection in Resource Limited Hardware: Decision Analysis and Resolution Approach.

Digitalization, Industry 4.0 and Internet of things (IoT) have become more popular in the recent years. Most of these systems depend on micro-controllers and sensors. These micro-controllers and sensors are mostly cheap, low RAM and low CPU systems; thus, they are resource constrained environments. In this study, a supervised learning classifier comparison technique suitable for resource constrained environments is proposed. This technique, Decision Analysis and Resolution (DAR), is originated in the domain of Software Engineering. First, DAR is explained using an example of car buying scenario. Then 11 off-the-shelf classifiers are compared using DAR for low RAM and less powerful CPU environments in an intrusion detection scenario. This scenario simulated on wellknown KDD99 intrusion detection dataset. All the experiments are realized using python scikit-learn package. According to the experiments, Decision Tree classifier is the most suitable to implement for resource constrained environments with a small lead. Results for the other three classifiers (Bagging, Multi Layer Perceptron, Random Forest) are also very similar. To aid the reproducibility of the experiments, the whole source code of the study is provided in the popular open source repository https://github. com/atiozgur/classifier-comparison-using-DAR. [ABSTRACT FROM AUTHOR]

Dijitalleşme, Endüstri 4.0 ve Nesnelerin İnterneti (IoT) son yıllarda daha popüler hale gelmiştir. Bu sistemlerin çoğu mikro denetleyicilere ve sensörlere bağlıdır. Bu mikro denetleyiciler ve sensörler çoğunlukla ucuz, düşük RAM ve düşük CPU sistemleridir; bu nedenle, kaynak kısıtlı ortamlardır. Bu çalışmada, kaynak kısıtlı ortamlara uygun, denetimli bir öğrenme sınıflandırıcı karşılaştırma tekniği önerilmiştir. Bu teknik, Karar Analizi ve Çözümü (DAR), Yazılım Mühendisliği alanında ortaya çıkmıştır. İlk olarak DAR, örnek bir araba satın alma senaryosu ile açıklanmıştır. Ardından, 11 hazır sınıflandırıcı, bir saldırı tespit senar yosunda düşük RAM ve düşük CPU ortamları için DAR kullanılarak karşılaştırılmıştır. Bu senaryo, iyi bilinen KDD99 saldırı tespit veri setinde gerçekleştirilmiştir. Tüm deneyler python scikit-learn paketi kullanılarak gerçekleştirilmiştir. Deneylere göre, Karar Ağacı sınıflandırıcısı, diğer sınıflandırıcılara göre küçük bir fark ile kaynak kısıtlı ortamlara uygulanmak için en uygun sınıflandırıcıdır. Diğer üç sınıflandırıcı (Boosting, Çok Katmanlı Algılayıcı, Rastgele Orman) sonuçları da çok benzerdir. Deneylerin tekrarlanabilirliğine yardımcı olmak için, tüm kaynak kod popüler açık kaynak kod deposu https://github. com/ati-ozgur/classifier-comparison-using-DAR'da verilmiştir. [ABSTRACT FROM AUTHOR]