An advanced Intrusion Detection System for iiot based on ga and Tree based Algorithms

B. RANDOM FOREST
The building blocks of the Random Forest (RF) algorithm
are Decision Trees (DTs). A DT is a supervised ML method
that is applied in tasks such as regression and classification.
In simple terms, a DT algorithm uses a tree-like structure
to compute the predictions. Each DT contains three types
of nodes: namely, the root node, the internal nodes, and the
category nodes. For a given input vector, the DT computes
its prediction from the root node, traversing many internal
nodes, to the category nodes [
42
], [
43
].
In this research, we use an RF classifier in the fitness
function of the GA algorithm described in the next section.
The RF algorithm was devised by L. Breiman [
44
] and it is
one of the most widely used ML algorithms today. The RF
algorithm is an ensemble of Decision Trees (DTs) classifiers
whereby each individual DT is built using an attribute vector
that is randomly selected from the input vector. Finally, each
DT casts a vote for the most popular label in the selected
input attribute vector. The label (class) with the highest score
wins the poll [
45
], [
46
]. The RF method can be formulated as
follows:
Let
P
=
{
X
1
, y
1
, ...,
(
X
k
, y
k
)
}
be a training subset of
inputs vectors and labels that are randomly selected given
probability distribution (dataset),
(
X
n
, y
n
)
∼
(
X, Y
)
.
6
VOLUME X, 2019

---

This work is licensed under a Creative Commons Attribution 4.0 License. For more information, see https://creativecommons.org/licenses/by/4.0/
This article has been accepted for publication in a future issue of this journal, but has not been fully edited. Content may change prior to final publication. Citation information: DOI
10.1109/ACCESS.2021.3104113, IEEE Access
S.M. Kasongo
et al.
: An advanced Intrusion Detection System for IIoT Based on GA and Tree based Algorithms