Aleksander Vanberg Eriksen

English version of this page Fakultet for informasjonsteknologi, ingeniørfag og økonomi

English version of this page Stilling

Stipendiat

Kontakt

+4769608558

aleksander.v.eriksen@hiof.no

Studiested

Halden

Kontornr.

D1-021

Om meg

Stipendiat fra Fredrikstad med bachelor- og mastergrad i informatikk. Forskningen min handler om energieffektiv scheduling i trådløse LoRa-nettverk. Tidligere har jeg jobbet som AI-ingeniør med Python, og som vikar der jeg veiledet Vg2 IT-elever gjennom prosjektarbeid.

Når jeg ikke jobber, er jeg på trening, ute med venner eller hjemme med en film eller et spill.

Github

Linkedln

PhD-program

Digitalisering og samfunn

Akademisk interesse

Machine Learning
IoT-systems
Cyber-Physical systems
Signal Processing and Communication across devices
Data processing
Integrasjon av IT i helsesektor

Bakgrunn

BSc i design og utvikling av IT-systemer, spesialisering i Machine Learning (2022)
MSc i Anvendt datateknologi, spesialisering i Machine Learning and IoT-systems (2024)

Prosjekter

I masteroppgaven min utviklet jeg et rammeverk for forbehandling av tre IoT-datasett med nettverkstrafikk knyttet til nettverksangrep. Rammeverket analyserte hvert datasett og laget en egen, optimalisert versjon av hvert av dem, tilpasset maskinlæringsmodeller for både binær klassifisering og multiklasse-klassifisering.

Koden finner du på GitHub: Anomaly detection

Forskergrupper

Cyber-fysiske systemer

Publikasjoner

Vitenskapelige artikler og bokkapitler

Pal, Kim Kristoffer; Eriksen, Aleksander Vanberg & Dinh, Thi Thuy Nga (2025). XGBoost Feature Selection for Multi-Class and Binary Classification on UNSW-NB15 Dataset. I IEEE (Red.), 2025 IEEE International Conference on Consumer Electronics (ICCE). IEEE (Institute of Electrical and Electronics Engineers). ISSN 9798331521165. doi: 10.1109/icce63647.2025.10930023. Fulltekst i vitenarkiv Vis sammendrag
Network intrusion detection systems (NIDS) are a critical part of ensuring the integrity and reliability of a network, which is essential in secure communication. To achieve this, an efficient NIDS with as low complexity as possible is preferred. Therefore, this paper presents a feature selection (FS) method that utilizes extreme gradient boosting (XGBoost) to train binary and multi-class machine learning (ML) algorithms on the 19 most important features in the UNSW-NB15 dataset. The FS method is evaluated on seven ML algorithms namely Artificial Neural Network (ANN), Logistic Regression (LR), k-Nearest-Neighbors (kNN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and XGBoost. Results from both the multi-class and binary classifications showed that RF and XGBoost had the highest accuracy and Fl-score at (77.14%, 78%), (87.445%, 87%), (78.156%, 79%) and (87.527%, 87%), respectively. Compared to existing works, most ML algorithms demonstrate better or similar performance on the UNSW-NB15 dataset. In addition, the proposed FS method significantly reduces the running time for XGBoost and RF by approximately 80% and 48%, respectively in both binary and multi-class classifications.

Se alle arbeider i NVA

Publisert 30. juli 2026 11:35 - Sist endret 22. okt. 2026 18:13