面向网络入侵检测且针对数据集特性调优的集成分类器设计
密码学与安全
2022-05-13 v1 人工智能
数据库
机器学习
网络与互联网体系结构
摘要
基于机器学习的监督方法需要高度定制和精细调优的方法论才能提供卓越性能。本文针对网络入侵数据集 UNSW-NB15 提出一种数据驱动的分类器设计与性能评估。对数据集的分析表明，其在特征空间中存在类别表示不平衡与类重叠问题。我们采用了使用平衡装袋(Balanced Bagging, BB)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)以及由 Hellinger 距离决策树增强的随机森林(RF-HDDT)的集成方法。BB 和 XGBoost 经调优以处理不平衡数据，随机森林(RF)分类器则借助 Hellinger 度量来应对不平衡问题。为处理数据集中的类重叠问题，提出了两种新算法。这两种算法通过修改三个基分类器作为采用多数投票组合器的集成分类器所做出的最终分类决策，来帮助提升测试集性能。所提出的设计在二分类和多分类场景下均进行了评估。将所提模型与文献中同一数据集上的已有模型比较表明，所提模型在二分类和多分类情况下均以显著优势优于其他模型。
引用
@article{arxiv.2205.06177,
title = {Ensemble Classifier Design Tuned to Dataset Characteristics for Network Intrusion Detection},
author = {Zeinab Zoghi and Gursel Serpen},
journal= {arXiv preprint arXiv:2205.06177},
year = {2022}
}