使用滑动时间窗口数据处理的NIDS神经网络及其泛化能力
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对网络入侵检测系统(NIDS)中存在的深度包检测依赖问题，提出了一种基于滑动时间窗口的数据处理方法，仅需十一种特征即可实现高效的数据聚合。研究表明，使用受卡尔曼-阿诺德网络(KAN)启发的可训练激活函数，能够在简单的网络结构中实现超过99%的训练准确率，同时探讨了NIDS的泛化能力及其对不同数据集表现的影响。
本研究提出了一种基于滑动时间窗口的数据处理方法，解决了网络入侵检测系统中深度包检测的依赖问题，仅需十一种特征即可高效聚合数据。采用受卡尔曼-阿诺德网络启发的可训练激活函数，简单网络结构下训练准确率超过99%。
