通过集成方法和特征选择提高网页流量攻击识别
密码学与安全
2024-12-24 v1 人工智能
机器学习
摘要
网站作为重要的数字资产，因其高流量和泄露的显著影响而高度脆弱。本研究旨在利用机器学习技术提高网页流量攻击的识别。该研究提出了一种方法，从 HTTP 记录中提取相关特征，采用 CSIC2010 v2 数据集，该数据集模拟了电子商务网页流量。采用随机森林和极端梯度提升等集成方法，并与基线分类器（包括 k 近邻、LASSO 和支持向量机）进行比较。结果表明，集成方法相对于基线分类器在预测准确率上提高约 20%，达到ROC曲线下面积（AUC）为 0.989。特征选择方法如信息增益、LASSO 和随机森林进一步增强了这些模型的鲁棒性。该研究强调了集成模型在提高攻击检测效率同时最小化性能波动方面的有效性，为 securing 网页流量提供了实用框架。
引用
@article{arxiv.2412.16791,
title = {Enhancing web traffic attacks identification through ensemble methods and feature selection},
author = {Daniel Urda and Branly Martínez and Nuño Basurto and Meelis Kull and Ángel Arroyo and Álvaro Herrero},
journal= {arXiv preprint arXiv:2412.16791},
year = {2024}
}