13、网络入侵检测与新冠病例预测：算法应用与实践

网络入侵检测与新冠病例预测：算法应用与实践

网络入侵检测中的特征选择

在网络安全领域，准确检测入侵行为至关重要。为了实现这一目标，研究人员采用了多种特征选择算法，并在不同的数据集上进行了实验。

数据集处理

• NSL - KDD 数据集 ：涵盖了 DoS Slowloris、DoS Slowhttptest、DoS Hulk、DoS GoldenEye 和 Heartbleed 等攻击类型。在使用算法之前，会对数据中的无穷值进行处理，将其替换为零。之后，使用零均值和单位方差缩放来减少高方差的影响。
• Aegean Wi - Fi 入侵数据集（AWID） ：在物理实验室中模拟小型家庭办公室（SOHO）结构创建。电子仪器连接到单个 Wi - Fi 路由器，通过外部电子设备作为攻击者生成数据。该数据集共有 155 个属性，在去除缺失值最多和只有一个唯一值的属性后，减少到 28 个特征。它涵盖了注入、假冒和洪泛等不同攻击类型。同样，在应用算法之前，将数据集转换为零均值和单位方差以减少高方差。

实验设置

• 随机森林模型 ：是一种由决策树集成组成的分类模型。森林中的每棵决策树使用随机生成的特征子集和采样示例进行训练。未参与决策树训练的示例称为袋外（OOB）示例，每棵树的性能在其各自的 OOB 示例上进行评估。每棵树的子集大小和森林大小都是可调参数。
• 数据集使用方式 ：