网络入侵检测场景下的特征选择方法对比研究

摘要：

采用适当的特征选择算法缩减网络流量数据集的特征规模,对于提高基于机器学习的网络入侵检测系统的性能有着重要的意义.设计了一个以入侵检测性能保证为目标的特征选择算法评估方案,并从选择效果和时间消耗两个方面对比分析了多种常用特征选择算法在不同数据集上的应用效果.实验结果表明,KDD CUP99和NSL-KDD等数据集的冗余特征项接近于50％;基于L1和L2正则项的最小二乘回归特征选择算法(LS L1)的鲁棒性最强;在特征选择算法中结合特征项之间的关联关系挖掘算法会更有利于提高网络入侵检测系统的性能.这些实验结果对如何为不同应用场景的网络入侵检测系统选择合适的特征选择算法有着明显的指导意义.

关键词：网络入侵检测、特征选择、机器学习、对比研究

所属期刊栏目：39

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金项目;湖北省自然科学基金项目

在线出版日期：2021-04-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：359-365