Network anomaly detection is an important and dynamic research area. Many network intrusion detection methods and systems (NIDS) have been proposed in the literature. In this paper, we provide a structured and comprehensive overview of various facets of network anomaly detection so that a researcher can become quickly familiar with every aspect of network anomaly detection. We present attacks normally encountered by network intrusion detection systems. We categorize existing network anomaly detection methods and systems based on the underlying computational techniques used. Within this framework, we briefly describe and compare a large number of network anomaly detection methods and systems. In addition, we also discuss tools that can be used by network defenders and datasets that researchers in network anomaly detection can use. We also highlight research directions in network anomaly detection.

Feature selection is used to choose a subset of relevant features for effective classification of data. In high dimensional data classification, the performance of a classifier often depends on the feature subset used for classification. In this paper, we introduce a greedy feature selection method using mutual information. This method combines both feature–feature mutual information and feature–class mutual information to find an optimal subset of features to minimize redundancy and to maximize relevance among features. The effectiveness of the selected feature subset is evaluated using multiple classifiers on multiple datasets. The performance of our method both in terms of classification accuracy and execution time performance, has been found significantly high for twelve real-life datasets of varied dimensionality and number of instances when compared with several competing feature selection techniques.

Threats of distributed denial of service (DDoS) attacks have been increasing day-by-day due to rapid development of computer networks and associated infrastructure, and millions of software applications, large and small, addressing all varieties of tasks. Botnets pose a major threat to network security as they are widely used for many Internet crimes such as DDoS attacks, identity theft, email spamming, and click fraud. Botnet based DDoS attacks are catastrophic to the victim network as they can exhaust both network bandwidth and resources of the victim machine. This survey presents a comprehensive overview of DDoS attacks, their causes, types with a taxonomy, and technical details of various attack launching tools. A detailed discussion of several botnet architectures, tools developed using botnet architectures, and pros and cons analysis are also included. Furthermore, a list of important issues and research challenges is also reported.

The detection of outliers has gained considerable interest in data mining with the realization that outliers can be the key discovery to be made from very large databases. Outliers arise due to various reasons such as mechanical faults, changes in system behavior, fraudulent behavior, human error and instrument error. Indeed, for many applications the discovery of outliers leads to more interesting and useful results than the discovery of inliers. Detection of outliers can lead to identification of system faults so that administrators can take preventive measures before they escalate. It is possible that anomaly detection may enable detection of new attacks. Outlier detection is an important anomaly detection approach. In this paper, we present a comprehensive survey of well-known distance-based, density-based and other techniques for outlier detection and compare them. We provide definitions of outliers and discuss their detection based on supervised and unsupervised learning in the context of network anomaly detection.

Abstract Hepatobiliary cancers (HBCs) are the most aggressive and sixth most diagnosed cancers globally. Biomarkers for timely diagnosis and targeted therapy in HBCs are still limited. Considering the gap, our objective is to identify unique and overlapping molecular signatures associated with HBCs. We analyzed publicly available transcriptomic datasets on Gallbladder cancer (GBC), Hepatocellular carcinoma (HCC), and Intrahepatic cholangiocarcinoma (ICC) to identify potential biomarkers using integrative systems approaches. An effective Common and Unique Molecular Signature Identification (CUMSI) approach has been developed, which contains analysis of differential gene expression (DEG), gene co-expression networks (GCN), and protein-protein interactions (PPIs) networks. Functional analysis of the DEGs unique for GBC, HCC, and ICC indicated that GBC is associated with cellular processes, HCC is associated with immune signaling pathways, and ICC is associated with lipid metabolic pathways. Our findings shows that the hub genes and pathways identified for each individual cancer type of the HBS are related with the primary function of each organ and each cancer exhibit unique expression patterns despite being part of the same organ system.

Abstract Electronic medical records are a patient's digital asset that enhances the information available to doctors for tracking their patients' health. When this information is stored in a secure environment, health examination reports can serve as a dependable repository for thorough observation of a patient's well‐being. However, it is crucial for the owner to have control over access to these repositories. In this scenario, a blockchain ecosystem with appropriate access control mechanisms can help create a distributed and decentralized storage platform to ensure the safety and security of data. Developing cost‐effective smart contracts and creating clear design diagrams to represent them are essential for establishing such an ecosystem. This paper introduces a smart contract for the Ethereum blockchain that allows an owner to maintain control over their data. The paper presents a diagram for visually representing the modules within our smart contract, providing readers with a clearer understanding of the access control techniques utilized in implementing our strategies. Our smart contract offers clinicians a valuable means of accessing historical data to promptly evaluate a patient's health in emergency situations. We showcase its efficacy by illustrating how it streamlines insurance claims, where it verifies the patient's coverage and automatically authorizes medical expense payments. Lastly, a study is presented to showcase an effective method of storing the ingested data within the Ethereum network. The suggested approach allows restrictions on data visibility based on the viewer's accessibility through identity‐based access control achieved using additional structures in smart contracts. These structures store filtered records accessible to users based on their viewing privileges. The simulated test bed results support the efficiency of using smart contracts with additional structures in terms of gas consumption when compared to those that use a single structure for read and write operations.

Bipolar Disorder (BPD) and Schizophrenia (SCZ) are complex psychiatric disorders with shared symptomatology and genetic risk factors. Understanding the molecular mechanisms underlying these disorders is crucial for refining diagnostic criteria and guiding targeted treatments. In this study, publicly available RNA-seq data from post-mortem samples of the basal ganglia's striatum were analyzed using an integrative computational approach to identify differentially expressed (DE) transcripts associated with SCZ and BPD. The analysis aimed to reveal both shared and distinct genes and long non-coding RNAs (lncRNAs) and to construct ceRNA networks within the striatum. Furthermore, the functional implications of these identified transcripts are explored, alongside their presence in established databases such as BipEx and SCHEMA. A significant outcome of our analysis was the identification of 21 DEmRNAs and 1 DElncRNA shared between BPD and SCZ across the Caudate, Putamen, and Nucleus Accumbens. Another noteworthy finding was the identification of Hub nodes within the ceRNA networks that were linked to major psychosis. Particularly, MED19, HNRNPC, MAGED4B, KDM5A, GOLGA7, CHASERR, hsa-miR-4778-3p, hsa-miR-4739, and hsa-miR-4685-5p emerged as potential biomarkers. These findings shed light on the common and unique molecular signatures underlying BPD and SCZ, offering significant potential for the advancement of diagnostic and therapeutic strategies tailored to these psychiatric disorders.