.png){kind=icon}
返回
Network Intrusion Classification Using Machine Learning and Clustered Features
.png){kind=icon}
OA
AI
DOI：10.1049/tje2.70169.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着网络服务的持续扩展和网络威胁日益复杂化，部署有效的网络入侵检测系统（NIDS）对于保护敏感数据和维持数字基础设施完整性至关重要。这些系统在确保数字环境的安全性和可靠性方面不可或缺。本研究提出了一种全面的方法，整合特征选择、集成学习、聚类和多样化的分析方法，以提高网络入侵检测系统的精度和有效性。我们使用经过预处理和分类的数据集，采用随机森林和XGBoost算法，提取关键特征并利用K-means聚类对关键变量进行分类，从而构建了一个用于入侵检测的强大特征集。我们的实验结果在CIC-IDS-17和UNSW-NB15数据集上展示了高精度，能够有效检测良性及恶意活动。这些成果强调了所提方法在监控网络流量、有效识别威胁和防止潜在入侵方面的有效性。
Keyword:
network intrusion detection
XGBoost
K-means clustering
feature fusion
machine learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
1
论文数:
58
被引数:
0
机构
引用论文
Performance Evaluation and Comparative Analysis of Machine Learning Models on the UNSW-NB15 Dataset: A Contemporary Approach to Cyber Threat DetectionUNSW-NB15数据集上机器学习模型的性能评估与比较分析：一种当代的网络安全威胁检测方法
PREAI
分享收藏cFEM: a cluster based feature extraction method for network intrusion detection基于聚类的特征提取方法用于网络入侵检测
PREAI
分享收藏A quantum trust and consultative transaction-based blockchain cybersecurity model for healthcare systems用于医疗保健系统的基于量子信任和协商交易的区块链网络安全模型.png)
SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏分享收藏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
查看更多内容