13、基于机器学习的入侵检测系统性能分析

基于机器学习的入侵检测系统性能分析

1. 研究背景与相关研究

在网络安全领域，入侵检测系统（IDS）对于保护计算机网络和系统免受不断演变的网络威胁起着至关重要的作用。众多研究围绕使用机器学习（ML）程序对 IDS 进行性能分析展开，旨在提高这些系统的效率和准确性。

• Zhang 等人的研究 ：提出了一种使用混合模型的入侵检测方法，该模型结合了多种 ML 算法以提高检测率，强调了不同技术在提升 IDS 性能方面的有效性。
• Jain 等人的研究 ：对 ML 技术在 IDS 中的应用进行了详细研究，调查了 kNN、SVM 和随机森林算法在大型数据集上的性能，指出特征选择和算法选择对实现最佳 IDS 结果的重要性。
• Kumar 等人的研究 ：使用多种 ML 技术对 NSL - KDD 数据集进行研究，比较了基于决策树的分类器、SVM 和 kNN 算法的性能，强调了特征选择和预处理对 IDS 准确性和效率的影响。
• Nain 等人的研究 ：通过 ML 技术探索入侵检测，评估了包括朴素贝叶斯、决策树和 SVM 在内的多种算法在真实网络数据集上的性能，关注 ML 在区分正常和异常网络活动方面的潜力。
• Bhatt 和 Trivedi 的研究 ：专注于使用深度学习（DL）方法提升 IDS 性能，使用卷积神经网络（CNN）模型进行入侵检测，在准确识别网络入侵方面取得了较好的结果。
• Sha