一个强大的入侵检测系统,基于浅层学习模型和特征提取技术.

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 机器学习 机器学习

背景情况:

• 网络安全威胁正在增加,需要先进的检测策略.
• 现有的深度学习模型可能是计算密集型,需要广泛的功能.
• 需要有效且准确的入侵检测系统.

研究的目的:

• 提出一种新的网络安全检测模型,将特征选择和浅层学习整合起来.
• 使用基准数据集 (NSL-KDD和UNSW-NB15) 评估模型的性能.
• 为了证明模型在传统深度学习方法上的优势.

主要方法:

• 使用SHapley添加式扩展 (SHAP) 值进行特征选择.
• 实施一个浅层学习算法,PV-DM.
• 使用XGBOOST机器学习算法进行分类.
• 在NSL-KDD和UNSW-NB15数据集上进行验证.

主要成果:

• 在NSL-KDD上仅使用四个功能,实现了98.92%的准确性,98.92%的精度,95.44%的回忆率和96.77%的F1得分.
• 在UNSW-NB15使用六个功能时,获得了82.86%的准确性,84.07%的精度,77.70%的回忆率和80.20%的F1分数.
• 与传统的深度学习模型相比,在所有指标上都表现出卓越的性能.

结论:

• 拟议的模型为网络安全威胁检测提供了高效和有效的解决方案.
• 具有SHAP值的特征选择显著提高模型性能,减少复杂性.
• 集成PV-DM和XGBOOST提供了一个强大而准确的检测机制.