BriefGPT - AI 论文速递
·
边缘计算设备中用于入侵检测的有效多阶段训练模型
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了一种新颖的多阶段优化的基于机器学习的 NIDS 框架，通过过采样技术和特征选择技术来提高检测性能和降低计算复杂性。实验证明该模型在两个数据集上的准确率超过了99%，优于最近的文献工作。
🎯
关键要点
- 提出了一种新颖的多阶段优化的基于机器学习的 NIDS 框架。
- 该框架减少了计算复杂性，同时保持了检测性能。
- 研究了过采样技术对模型训练样本大小的影响。
- 确定了最小合适的训练样本大小。
- 探究了基于信息增益和基于相关性的特征选择技术对检测性能和时间复杂度的影响。
- 调查了不同机器学习超参数优化技术来增强 NIDS 性能。
- 实验证明模型显著降低了训练样本大小（最高可达 74%）和特征集大小（最高可达 50%）。
- 在 CICIDS 2017 和 UNSW-NB 2015 数据集上的检测准确率均超过了 99%。
- 该模型的精度比最近的文献工作高 1-2%，误报率低 1-2%。
➡️
