BriefGPT - AI 论文速递
·
通过可视化分析SHAP图诊断基于机器学习的入侵检测中的误分类
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
通过集成互联网入侵检测系统（IDS）与可解释人工智能（XAI），提出了一种易于解释的泛化机制（IG），显著提高了网络攻击检测的准确性。IG能够有效区分正常与异常流量，并揭示复杂的入侵路径。实验结果表明，IG在多个数据集上表现优异，具备良好的泛化能力和可解释性，增强了IDS的可靠性。
🎯
关键要点
- 集成互联网入侵检测系统（IDS）与可解释人工智能（XAI）显著提升性能。
- 提出易于解释的泛化机制（IG），具有革新IDS能力的潜力。
- IG能够有效区分正常与异常网络流量，并揭示复杂的入侵路径。
- 在多个数据集上（NSL-KDD、UNSW-NB15、UKM-IDS20）实验结果显示IG表现优异。
- IG在NSL-KDD中准确率为0.93，召回率为0.94，曲线下面积为0.94。
- 在UNSW-NB15中，IG的准确率为0.98，召回率为0.99，曲线下面积为0.99。
- 在UKM-IDS20中，IG的准确率为0.98，召回率为0.98，曲线下面积为0.99。
- IG在不同训练和测试比例下均表现出色，具备良好的泛化能力。
- IG成功识别所有异常实例，显示其在新异常识别中的能力。
- IG的可解释性增强了检测准确性，降低了误报，提高了IDS的可靠性和可信度。
➡️
