面向入侵检测模型的可解释人工智能比较分析
机器学习
2024-07-04 v2 人工智能
密码学与安全
摘要
可解释人工智能 (XAI) 已成为广受关注的主题，相关技术促进了对常规黑箱模型（如随机森林、神经网络等）的更好理解。然而，XAI的领域特定应用仍不足。为填补这一空白，本研究利用遮挡灵敏度分析方法，对各种机器学习模型在针对网络流量的二进制和多类分类任务进行比较分析。评估的模型包括线性回归、逻辑回归、线性支持向量机 (SVM)、K近邻 (KNN)、随机森林、决策树和多层感知器 (MLP)。我们将所有模型训练到在UNSW-NB15数据集上达到90%的准确率。我们发现，大多数分类器仅利用少于三个关键特征即可实现此准确率，表明有效的特征工程比应用复杂模型在入侵检测中更为重要。我们还发现随机森林在准确率、时间效率和鲁棒性方面表现最佳。数据和代码可在 https://github.com/pcwhy/XML-IntrusionDetection.git 获取。
引用
@article{arxiv.2406.09684,
title = {Explainable AI for Comparative Analysis of Intrusion Detection Models},
author = {Pap M. Corea and Yongxin Liu and Jian Wang and Shuteng Niu and Houbing Song},
journal= {arXiv preprint arXiv:2406.09684},
year = {2024}
}
备注
Submitted to IEEE MeditCom 2024 - WS-05