网络安全中的 AutoML：实证研究
密码学与安全
2025-09-30 v1
摘要
自动机器学习（AutoML）已成为自动化机器学习（ML）管线设计的有前景范式，拓宽了 AI 应用。然而其在网络安全等复杂领域的可靠性尚未得到充分探索。本文系统评估了八个开源 AutoML 框架在十一个公开网络安全数据集上的表现，涵盖入侵检测、恶意软件分类、网络钓鱼、欺诈检测与垃圾邮件过滤。结果显示不同工具与数据集间存在显著的性能波动，暂无单一方案始终领先。观察到范式迁移：挑战已从选择单个 ML 模型，转向识别最合适的 AutoML 框架，这使得问题更为复杂化，因不同框架在运行效率、自动化能力与支持功能方面差异显著。AutoML 工具常偏好树基模型，这类模型表现良好但易过拟合且限制可解释性。我们识别出关键挑战包括对抗性脆弱性、模型漂移以及特征工程不足。我们给出的最佳实践与研究方向旨在加强 AutoML 在高风险网络安全应用中的鲁棒性、可解释性与信任度。
引用
@article{arxiv.2509.23621,
title = {AutoML in Cybersecurity: An Empirical Study},
author = {Sherif Saad and Kevin Shi and Mohammed Mamun and Hythem Elmiligi},
journal= {arXiv preprint arXiv:2509.23621},
year = {2025}
}