19、机器学习在网络入侵检测与病害识别中的应用

机器学习在网络入侵检测与病害识别中的应用

机器学习在网络入侵检测中的表现

在网络安全领域，我们可以借助机器学习（ML）技术对正常和入侵的网络流量数据集进行分析，通过检测准确率和精度得分来比较不同的ML技术。

首先，我们需要提取网络流量特征，然后运用特征选择技术——特征重要性来挑选出最优特征集。这个项目的目标是找到最优特征集，从而借助机器学习算法为基于异常的网络入侵检测系统提供更出色的检测结果。

组合网络流量特征的检测准确率

对所有网络流量特征组合的检测准确率进行评估，结果如下表所示：
| 算法 | F1和F2和F3和F4和F5和F6（6个组合特征）检测准确率(%) | F1和F2和F3和F4和F5和F6和F7（7个组合特征）检测准确率(%) |
| — | — | — |
| 决策树 | 92.389 | 91.781 |
| 朴素贝叶斯 | 88.487 | 88.394 |
| 随机森林 | 97.881 | 96.126 |
| SVM | 91.636 | 90.208 |
| 逻辑回归 | 99.048 | 99.012 |
| KNN (K = 5) | 98.593 | 97.71 |
| KNN (K = 10) | 98.472 | 97.23 |

从这些数据中我们能够看出，当把ML算法应用于特征组合时，逻辑回归的检测准确率最高，平均准确率达到了99.048%。同时，我们还发现将最优网络流量特征进行组合能够提高入侵检测的准确率。不过，如果加入一个网络选择得分小于50的流量特征（例如“字节接收”特征），与前6个特征组合的检测准确率相