.png){kind=icon}
返回
Enhancing web traffic attacks identification through ensemble methods and feature selection
.png){kind=icon}
PRE
AI
DOI：10.1093/jigpal/jzaf021.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网站作为重要的数字资产，因其高流量和泄露的严重影响而极易受到网络攻击。本研究旨在通过利用机器学习技术来提升对网络流量攻击的识别能力。提出了一种利用CSIC2010 v2数据集（模拟电子商务网站流量）从HTTP轨迹中提取相关特征的方法。采用了集成方法，如随机森林（RF）和极端梯度提升，并与包括k近邻、LASSO和支持向量机在内的基线分类器进行了比较。结果表明，集成方法在预测准确率上比基线分类器高出约20%，并实现了0.989的ROC曲线下面积。信息增益、LASSO和RF等特征选择方法进一步增强了这些模型的鲁棒性。本研究强调了集成模型在提高攻击检测有效性的同时减少性能变异性的有效性，为在多样化应用场景中保障网络流量安全提供了实用框架。
Keyword:
ensemble methods
web attack
intrusion detection
machine learning
supervised learning feature selection
期刊
L
IF:
0.8
论文数:
77
被引数:
543
机构
引用论文
Cbrid4sql: A CBR intrusion detector for SQL injection attacksCbrid4sql: 一种用于SQL注入攻击的CBR入侵检测器.png)
IF0
PREAI
分享收藏
分享收藏Impact of digitalization on technological innovations in small and medium-sized enterprises (SMEs)数字化对中小企业技术创新的影响
OAAI
OAAI分享收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningOAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏分享收藏
查看更多内容