基于超参数调优的机器学习算法网络入侵检测优化性能分析

网络入侵检测系统（NIDS）是保障网络安全的关键组件，通过识别和缓解表明网络攻击的未授权活动来实现此目标。随着网络威胁日益复杂化，NIDS 必须演进以检测新兴威胁以及偏离正常行为的异常情况。本研究探索了应用机器学习（ML）方法以改进 NIDS 准确率的可能性，通过分析深层特征网络流量记录中的复杂结构。以 1999 年 KDD CUP 入侵数据集为基准，本研究评估并优化了包括支持向量机（SVM）、朴素贝叶斯变体（MNB、BNB）、随机森林（RF）、k 近邻（k-NN）、决策树（DT）、AdaBoost、XGBoost、逻辑回归（LR）、岭分类器、被动攻击（PA）分类器、Rocchio 分类器、人工神经网络（ANN）和感知机（PPN）在内的多种 ML 算法。在未进行超参数优化的初始评估中表现不佳，突显了通过调优来提升分类准确率的重要性。经过使用网格和随机搜索技术进行超参数优化后，SVM 分类器达到了 99.12% 的准确率，误报率（FAR）为 0.0091，显著优于其默认配置（98.08% 的准确率，0.0123 的 FAR）以及所有其他分类器。本结果确认 SVM 在所评估的分类器中实现了最高的准确率。我们采用十折交叉验证方法验证了所有分类器的有效性，同时采用递归特征消除（RFE）进行特征选择，以提升分类器的准确率和效率。我们的结果表明，机器学习分类器既具有适应性又可靠，为增强网络入侵检测系统的准确率作出了贡献。