35、入侵检测系统与人工神经网络训练的优化策略

入侵检测系统与人工神经网络训练的优化策略

入侵检测系统执行改进

为了实现高效的入侵检测系统（IDS），提出了一种结合决策树和支持向量机（SVM）计算的方法。该方法的具体步骤如下：
1. 读取UNSW - NB15数据集 ：此数据集由澳大利亚网络安全中心（ACCS）的网络靶场实验室创建，包含49个特征和9种攻击家族，如模糊测试、分析、后门、拒绝服务（DoS）等。数据集分为训练集（175,340条记录）和测试集（82,000条记录）。
2. 数据预处理 ：
- 去除训练集和测试集中的额外信息。
- 由于大多数机器学习算法只能处理数值特征，因此将数据集中的名义特征（如proto、administration、state和attack_cat）进行编码，采用one - hot编码方式将数据从非数值转换为数值。
- 移除“ID”特征，因为它只是数据集中的行数，没有实际意义。
- 随机选择70%作为训练集，30%作为测试集，并使用k - 折交叉验证来验证预测结果。这里将数据分为十折，一折用于测试，九折用于训练。
3. 特征选择 ：使用SVM - RFE计算进行特征约简，从UNSW - NB15数据集中的45个特征中选择出22个与分类相关的重要特征，分别为dload、sload、sttl等。
4. 分类操作 ：利用决策树和SVM计算对数据集进行分类，以选择最佳特征。
5. 评估分类器性能 ：使用准确率（Accuracy）、精确率（Precision）、召回率