
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于NSL-KDD数据集的多类入侵检测中机器学习分类器的性能对比评估
《Scientific Reports》:Comparative performance evaluation of machine learning classifiers for multi-class intrusion detection on the NSL-KDD dataset
【字体: 大 中 小 】 时间:2026年07月15日 来源:Scientific Reports 4.9
编辑推荐:
摘要入侵检测系统在保护现代网络基础设施免受日益复杂的网络威胁方面发挥着至关重要的作用。然而,网络流量数据的高维度以及攻击类别的不平衡往往限制了传统机器学习方法的效果。本研究提出了一种基于特征的入侵检测框架,该框架结合了基于XGBoost的特征选择与多种机器学习分类器,以提高攻击检
入侵检测系统在保护现代网络基础设施免受日益复杂的网络威胁方面发挥着至关重要的作用。然而,网络流量数据的高维度以及攻击类别的不平衡往往限制了传统机器学习方法的效果。本研究提出了一种基于特征的入侵检测框架,该框架结合了基于XGBoost的特征选择与多种机器学习分类器,以提高攻击检测性能的同时降低计算复杂度。研究使用NSL-KDD数据集对所提方法在五种流量类别上的效果进行了评估,这五种类别分别是良性流量、拒绝服务攻击、探测流量、远程到本地攻击以及用户到根权限攻击。通过XGBoost特征排序,为每种攻击类型确定了13个高度相关的特征,从而降低了数据维度并去除了冗余属性。随后,这些选定特征被用于六种机器学习分类器的测试,这六种分类器分别为LightGBM、投票分类器、CatBoost、多层感知器、AdaBoost和随机梯度下降算法。性能评估通过精确度、召回率、F1分数、混淆矩阵以及交叉验证分析来进行。实验结果表明,基于集成方法的模型,尤其是CatBoost和LightGBM,在处理如拒绝服务攻击和探测攻击这类占多数次的攻击类型时表现更为出色,而由于类别不平衡的问题,所有分类器在检测如远程到本地攻击和用户到根权限攻击这类少数类攻击时都面临困难。交叉验证结果证实了所选特征子集在不同攻击类型下的稳健性和稳定性。此外,计算复杂度分析也表明,所提框架适用于实际且资源有限的入侵检测环境。研究结果强调了特征优化在提升分类性能方面的有效性,为开发高效且可扩展的入侵检测解决方案提供了重要启示。