基于机器学习的CSE-CIC-IDS2018入侵检测数据集优化降维分析

摘要：

测试数据集的质量对入侵检测系统的性能起着至关重要的作用,在保证质量的前提下对入侵检测数据集优化降维,是提高入侵检测系统高效准确运转的重要措施.使用K近邻、决策树、随机森林和Softmax分类算法,对CSE-CIC-IDS2018入侵检测数据集进行特征维数探究,按照特征重要性评分对分类器进行特征递减式训练,分析机器学习分类器对该数据集的特征维数依赖关系.结果表明,数据集的特征数量由83个减少至最低7～9个时,分类器仍可以保持较高的分类性能,且检测时间显著减少,计算效率更高.

关键词：入侵检测;数据集;机器学习;分类器;降维

所属期刊栏目：46

分类号：TP393(计算技术、计算机技术)

资助基金：国家科技支撑计划基金资助项目2006BAK01A38

在线出版日期：2021-08-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：155-162