相关实验视频
Updated: Jan 7, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.1K
基于机器学习的成本效益高的网络入侵检测系统,使用Raspberry Pi进行实时分析
R W K S Wijethilaka1, Kanishka Yapa1, Deemantha Siriwardena1
1Faculty of Computing, Sri Lanka Institute of Information Technology, Malabe, Sri Lanka.
PloS one
|December 29, 2025
概括
这项研究开发了一个网络入侵检测系统 (NIDS),使用机器学习来检测网络攻击. 该NIDS实现了高精度和快速响应时间,增强了网络安全.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 网络安全 网络安全
背景情况:
- 越来越互联的世界需要强大的数据安全.
- 传统的入侵检测系统难以应对分布式网络的挑战.
- 需要先进的方法来实时检测和分类网络攻击.
研究的目的:
- 开发一个适应性的网络入侵检测系统 (NIDS).
- 分析输入和输出网络流量以检测威胁.
- 与传统的入侵检测系统 (IDS) 相比,提高准确性和效率.
主要方法:
- 使用的机器学习算法:随机森林,LSTM,ANN,XGBoost,天真贝叶斯.
- 在Raspberry Pi上实现了NIDS,用于实时流量分析.
- 开发了一个全面的警报系统,包括电子邮件通知和物理指标.
主要成果:
- 在NF-UQ-NIDS数据集上实现了96.5%的检测准确度.
- 使用SMOTE显著降低了虚假阳性率.
- 实时流量处理,平均响应时间为50毫秒.
结论:
- 开发的NIDS是保护网络免受网络威胁的有效工具.
- 与传统的IDS相比,该系统表现出卓越的准确性和效率.
- 实时分析和自适应机器学习增强了网络安全姿态.
