13、入侵检测与COVID-19病例预测技术解析

入侵检测与COVID-19病例预测技术解析

入侵检测中的特征选择

在入侵检测领域，特征选择至关重要。有多种数据集被用于相关研究，不同算法在这些数据集上的表现也各有差异。
- 数据集处理
- NSL - KDD数据集 ：涵盖DoS Slowloris、DoS Slowhttptest、DoS Hulk、DoS GoldenEye和Heartbleed等攻击类型。在应用算法前，会处理数据中的无穷值，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，通过外部电子设备模拟攻击者生成数据。该数据集最初有155个属性，去除缺失值最多和唯一值的属性后，减少到28个特征。它涵盖注入、假冒和洪泛等攻击类型，在应用算法前同样进行零均值和单位方差变换以降低高方差。
- 实验设置
- 随机森林模型 ：是一种由决策树集成的分类模型。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。树的子集大小和森林大小是可调参数。
- 数据集实验步骤
- NSL - KDD Train数据集 ：用于特征选择，最终性能在测试集上评估。该过程重复5次以获得无偏结果，设置值为1以通过算法选