基于AutoML的网络入侵检测方法
机器学习
2024-11-26 v1
摘要
本文提出了一种用于网络入侵检测的自动机器学习（AutoML）方法，利用使用MLJAR AutoML框架开发的堆叠集成模型。我们的 метод结合了多种机器学习算法，包括LightGBM、CatBoost和XGBoost，以提高检测准确性和鲁棒性。通过自动化模型选择、特征工程和超参数调优，我们的方法减少了传统机器学习方法通常 associated的手动开销。对NSL-KDD数据集进行的广面积实验表明，堆叠集成模型优于单个模型，实现了高准确率并最小化了误报。我们的发现凸显了使用AutoML进行网络入侵检测的优势，AutoML驱动的堆叠集成模型以90%的准确率和89%的F1分数取得最佳性能，超过Random Forest（78%准确率，78%F1分数）、XGBoost和CatBoost（两者80%准确率，80%F1分数）以及LightGBM（78%准确率，78%F1分数），为网络安全应用提供了一个更具可适应性和效率的解决方案。
引用
@article{arxiv.2411.15920,
title = {An AutoML-based approach for Network Intrusion Detection},
author = {Nana Kankam Gyimah and Judith Mwakalonge and Gurcan Comert and Saidi Siuhi and Robert Akinie and Methusela Sulle and Denis Ruganuza and Benibo Izison and Arthur Mukwaya},
journal= {arXiv preprint arXiv:2411.15920},
year = {2024}
}