Machine Learning and Explainable Artificial Intelligence for Network Intrusion Detection

doi:10.4018/IJISP.402900

Machine Learning and Explainable Artificial Intelligence for Network Intrusion Detection

2026-01-01

0

OA

AI

I

Ibidun Christiana Obagbuwa

M

Madison N. Ngafeeson *

O

Oluwatimileyin Favour Obagbuwa

A

Anthony Tsetse

DOI：10.4018/IJISP.402900

原文链接

查看原文

摘要

En 中文

随着网络威胁日益复杂化，需要超越传统入侵检测系统（IDS）的自适应安全机制。本文探讨了集成机器学习（NIDS）的方法。利用CICIDS2017数据集，作者评估了包括卷积神经网络（CNN）、随机森林和XGBoost在内的机器学习模型，在检测性能与可解释性之间取得平衡。结果表明，XGBoost以最小的误分类实现了最高准确率，凸显其在入侵检测中的鲁棒性。为应对深度学习的“黑箱”挑战，应用SHapley Additive exPlanations（SHAP）来解释预测结果。关键特征如目标端口、流持续时间和数据包长度被确认为重要因素，提高了可信度，减少了误报，并有助于调查。作者强调了将高性能机器学习与可解释人工智能（XAI）框架相结合以实现透明度的必要性。最后讨论了可扩展性、鲁棒性和数据集泛化性方面的挑战。

Keyword:

Cybersecurity

SHAPAnalysis

Machine Learning

Network Traffic

Anomaly Detection

Artificial Intelligence

Explainable Artificial Intelligence

and Intrusion Detection

Machine Learning and Explainable Artificial Intelligence for Network Intrusion Detection

摘要

AI总结

期刊

机构

引用论文