基于机器学习的CSE-CIC-IDS2018入侵检测数据集优化降维分析

作     者：刘江豪 张安琳 黄子奇 黄道颖 陈孝文 LIU Jiang-hao;ZHANG An-lin;HUANG Zi-qi;HUANG Dao-ying;CHEN Xiao-wen

作者机构：郑州轻工业大学计算机与通信工程学院郑州450000 北方信息控制研究院集团有限公司南京211153 郑州轻工业大学工程训练中心郑州450000 

出 版 物：《火力与指挥控制》 (Fire Control & Command Control)

年 卷 期：2021年第46卷第7期

页      面：155-162页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家科技支撑计划基金资助项目(2006BAK01A38) 

主　　题：入侵检测 数据集 机器学习 分类器 降维 

摘      要：测试数据集的质量对入侵检测系统的性能起着至关重要的作用,在保证质量的前提下对入侵检测数据集优化降维,是提高入侵检测系统高效准确运转的重要措施。使用K近邻、决策树、随机森林和Softmax分类算法,对CSE-CIC-IDS2018入侵检测数据集进行特征维数探究,按照特征重要性评分对分类器进行特征递减式训练,分析机器学习分类器对该数据集的特征维数依赖关系。结果表明,数据集的特征数量由83个减少至最低7~9个时,分类器仍可以保持较高的分类性能,且检测时间显著减少,计算效率更高。