.png){kind=icon}
返回
Smart network intrusion detection system using stacked ensemble learning and data analytics
.png){kind=icon}
PRE
AI
DOI：10.1088/2631-8695/adf0c9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络攻击日益普遍，对通过网络传输的敏感数据的机密性和完整性构成了重大威胁。有效的网络入侵检测系统（NIDS）对于检测和缓解这些威胁至关重要。本研究提出了一种新型模型——基于堆叠集成学习技术（Stacked Ensemble Learning Technique）的网络入侵检测系统（NIDSSELT），该模型解决了现有NIDS解决方案中的关键挑战，包括类别不平衡、检测准确率和误报率等问题。所提出的NIDSSELT框架将Extra Trees（ET）和Xtreme Gradient Boosting（XGB）作为基分类器，并采用Logistic Regression（LR）作为元分类器，利用堆叠集成学习技术进行稳健预测。为解决类别不平衡问题，该模型采用K-means SMOTE进行少数类别的过采样和表示。通过准确率和F1分数进行的全面评估，经10折交叉验证证实，NIDSSELT的性能优于现有的单分类器和基于集成的方法，为增强网络安全提供了有前景的解决方案。
Keyword:
network intrusion detection system
stacked ensemble learning
K-means SMOTE
isolation forest
extra trees
extreme gradient boosting
logistic regression
期刊
E
IF:
1.6
论文数:
2.1K
被引数:
0
机构
引用论文
Binary text classification using genetic programming with crossover-based oversampling for imbalanced datasets基于遗传编程的二元文本分类，结合基于交叉的过采样方法处理不平衡数据集
PREAI
分享收藏Multi-layer stacking ensemble learners for low footprint network intrusion detection用于低足迹网络入侵检测的多层堆叠集成学习器
OAAI
OAAI分享收藏A novel approach to intrusion detection using SVM ensemble with feature augmentation.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏A Two-Level Ensemble Learning Framework for Enhancing Network Intrusion Detection Systems用于增强网络入侵检测系统的两级集成学习框架IEEE ACCESS
IEEE ACCESSIF3.6
PREAI
分享收藏
查看更多内容