换一批摘要如今网络威胁不断衍变、隐蔽性越来越强,研究多种机器学习模型在现代流量数据上的入侵检测性能与特性,对提升入侵检测系统的时效性有较大意义.探索采用近些年高效机器学习模型,包括集成学习(如随机森林、LightGBM、XGBoost)与深度学习(如卷积、GRU、LSTM等)模型在公开数据集UNSW-NB15上进行入侵检测任务.详细阐述任务流程与实验配置,对比分析不同模型评估指标,得出各模型在入侵检测任务中的特性.实践表明,在10％抽样数据集下,实验模型中二分类任务性能效率最优模型为LightGBM,F1分数为0.897,准确率为89.86％,训练时间为1.98s,预测时间为0.11s;实验中多分类任务最全面的检测模型为XGBoost,F1分数为0.7907,准确率为75.96％,训练时间为144.79s,预测时间为0.21s.
更多相关知识
关键词
入侵检测机器学习集成学习深度学习二分类多分类UNSW-NB15intrusion detectionmachine learningensemble learningdeep learningbinary classificationmulti-class classificationUNSW-NB15
分类号
TP393.08
栏目名称
DOI
10.12379/j.issn.2096-1057.2023.08.04
发布时间
2023-08-17（万方平台首次上网日期，不代表论文的发表时间）
- 浏览6
- 被引3
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
