混合包装和增强与基于SHAP的特征选择,用于入侵检测系统中增强的预测建模

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 网络威胁越来越复杂,需要先进的入侵检测和预防系统 (IDPS).
• 现有的IDPS模型往往缺乏必要的准确性和可解释性,以有效打击新型威胁.
• 可解释的人工智能 (XAI) 为提高模型透明度和性能提供了潜在的解决方案.

研究的目的:

• 提高IDPS模型的性能,稳定性和透明度.
• 引入一种用于入侵检测的新型混合组合学习方法.
• 为了利用可解释的人工智能技术,特别是Shapley添加式解释 (SHAP),用于特征选择和模型增强.

主要方法:

• 开发一种新的混合组合方法:混合包装-增强和增强残留物.
• 系统评估各种分类器和组合技术.
• 应用SHAP用于特征选择,以改进模型性能并减少过度装配.
• 多步评估包括二进制和多类分类,以及微调.

主要成果:

• 建议的混合方法显著超过了最先进的算法.
• 实现了98.47%的峰值精度和96.19%的F1得分.
• 基于SHAP的特征选择和重新采样技术提高了模型准确性和平衡的精度/回忆.

结论:

• 将SHAP与混合组合方法集成,大大提高了IDPS的预测和解释能力.
• 开发的方法解决了传统网络安全模型的局限性.
• 这项研究为IDPS绩效提升的统计创新提供了基础.