.png){kind=icon}
返回
Enhancing Wi-Fi Network Security Through Stacked Machine Learning Models
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15153354.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种基于模型堆叠的无线入侵检测系统（WIDS），适用于IEEE 802.11无线局域网（WLAN）。该系统利用模型堆叠这一机器学习（ML）技术，通过结合多个称为基分类器的ML模型的预测来提升系统整体性能。实现了并比较了多种堆叠算法和ML架构，包括循环神经网络（RNN）和卷积神经网络（CNN）。采用爱琴海Wi-Fi入侵数据集3（AWID3）对ML模型进行训练和评估。此外，详细描述了特征选择和数据预处理过程。模型堆叠算法在多种场景中均显示出对WIDS性能的提升作用，其中最佳配置在二分类任务中达到99.878%的准确率和99.507%的F1分数，在多分类任务中达到99.858%的准确率和99.616%的F1分数。实验结果表明，所选的堆叠配置相比单个基分类器具有更优的检测性能，并突显了所选聚合策略的影响。最值得注意的是，在大多数测试场景中，模型堆叠的实施显著减少了误报数量，这是大多数入侵检测系统（IDS）亟待解决的问题。
Keyword:
IEEE 802.11
wireless security
threat detection
machine learning
stacking algorithm
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
Rule-Based System with Machine Learning Support for Detecting Anomalies in 5G WLANs.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏Secure Deep Neural (SeDeN) Framework for 5G Wireless Networks2019 10th International Conference on Computing, Communication and Networking Technologies (ICCCNT)
2019 10th International Conference on Computing, Communication and Networking Technologies (ICCCNT)IF0
PREAI
分享收藏A Hybrid Intrusion Detection System Based on Feature Selection and Weighted Stacking ClassifierIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Intrusion Detection in 802.11 Networks: Empirical Evaluation of Threats and a Public Dataset802.11网络中的入侵检测: 威胁和公共数据集的经验评估
PREAI
分享收藏Enhanced Anomaly Detection in Wireless 5G Networks With Hybrid Learning Technique Using AWID3 DatasetDashtifard, N.; Mahmoud, H.; Idrissi, M.; Elmitwally, N. 使用AWID3数据集的混合学习技术增强5G无线网络异常检测。Cureus J. Comput. Sci. 2025, 2, es44389-025-05486-0. [Google Scholar] [CrossRef]
PREAI
分享收藏RIDS: Real-time Intrusion Detection System for WPA3 enabled Enterprise NetworksRIDS：适用于WPA3企业网络的实时入侵检测系统OAAI
OAAI分享收藏FEDDBN-IDS: federated deep belief network-based wireless network intrusion detection systemFEDDBN-IDS：基于联邦深度信念网络的无线网络入侵检测系统OAAI
OAAI分享收藏分享收藏
查看更多内容