17、基于人工智能的网络入侵检测与磨损颗粒分类研究

基于人工智能的网络入侵检测与磨损颗粒分类研究

基于SVM和CNN的行为入侵检测系统

随着互联网接入的扩展，网络攻击变得越来越频繁和复杂。为了提高系统和数据的安全性，入侵检测技术应运而生。这里介绍一种基于人工智能的可靠网络入侵检测方法。

在性能对比方面，有研究将提出的行为入侵检测人工智能（Behavior IDS - AI）模型与其他参考模型进行了对比。通过图12.5对各模型的准确率进行比较，可以明显看出Behavior IDS - AI模型的准确率高于其他模型。表12.3则从多个性能指标对该模型与不同网络模型进行了比较，结果显示，在UNSW - NB15数据集上，支持向量机（SVM）和卷积神经网络（CNN）的准确率分别达到了99.58%和99.66%，Behavior IDS - AI模型在准确率方面超越了可比的同类模型。不过，部分对比结果是全局性的，未明确指出检测到的具体攻击类型，且一些被比较的模型未进行交叉验证。尽管还需要更多试验来将研究结果与文献中的结果进行全面对比，但总体结果表明，Behavior IDS - AI模型适用于在该数据集中检测入侵。

该方法采用了预处理技术，以提高基于数据异质性的入侵检测系统（IDS）的发现率和精度。为了保证数据质量，在构建模型之前，会基于熵选择方法进行特征选择。通过这些措施验证的创新方法，确保了检测的准确高效。

下面通过表格展示不同模型在准确率上的对比：
| 模型 | 准确率 |
| ---- | ---- |
| Behavior IDS - AI（SVM） | 99.58% |
| Behavior IDS - AI（CNN） | 99.66% |
| 其他参考模型