34、入侵检测系统性能比较与云安全模型研究

入侵检测系统性能比较与云安全模型研究

一、入侵检测系统性能比较

在入侵检测领域，许多研究围绕着不同的特征降维技术和机器学习算法展开，以提高检测的准确性和效率。

（一）相关研究回顾

1. PCA与LDA性能对比 ：有研究观察到，对于小数据集，主成分分析（PCA）在准确性上优于线性判别分析（LDA），且训练时间更短（45609 ms）；而对于大数据集，LDA的准确性更高，训练时间也更短（72094 ms）。不过，这些研究未使用单一数据集来全面分析PCA和LDA的性能。
2. 其他研究工作
   • Murugesan等人使用支持向量机（SVM）对模拟数据集进行二进制分类，分析了PCA、LDA和独立成分分析（ICA）三种特征降维技术的性能。结果表明，PCA的准确率达到94%，优于LDA和ICA。但他们未实现模拟数据集的多类分类，也未使用实时流量数据进行模拟。
   • Ikram等人提出了一种结合PCA和基于径向基函数（RBF）核的SVM的混合入侵检测模型。他们使用NSL - KDD数据集和Gurekddcup数据集进行实验，在对输入特征降维后，获得了99%的准确率和0.99的相关系数。然而，他们未测试SVM的其他核参数。
   • Shen等人开发了一种基于PCA、LDA和朴素贝叶斯分类（BC）算法融合的高效入侵检测方法，用于CICIDS2017数据集的二进制分类。他们将提出的分类器（PCA - LDA - BC）与其他分类器（逻辑回归、SVM、带核函数的SVM）进行比较，该分类器的准确率高达96%。但他们未考虑数据集的多