IGRF-RFE：一种基于 MLP 的 UNSW-NB15 数据集网络入侵检测的混合特征选择方法
机器学习
2023-02-07 v2 密码学与安全
摘要
机器学习模型的有效性受数据集大小和特征质量的显著影响，因为冗余和不相关特征会大幅降低性能。本文提出 IGRF-RFE：一种用于基于多层感知机（MLP）网络的多类网络异常任务的混合特征选择方法。IGRF-RFE 可视为一种基于过滤式特征选择方法和包裹式特征选择方法的特征约简技术。在我们提出的方法中，我们使用过滤式特征选择方法，即信息增益与随机森林重要性的组合，来缩减特征子集搜索空间。然后，我们应用递归特征消除（RFE）作为包裹式特征选择方法，在缩减后的特征子集上进一步递归消除冗余特征。基于 UNSW-NB15 数据集获得的实验结果表明，我们提出的方法能在降低特征维度的同时提高异常检测准确率。结果显示特征维度从 42 降至 23，而 MLP 的多类分类准确率从 82.25% 提升至 84.24%。
引用
@article{arxiv.2203.16365,
title = {IGRF-RFE: A Hybrid Feature Selection Method for MLP-based Network Intrusion Detection on UNSW-NB15 Dataset},
author = {Yuhua Yin and Julian Jang-Jaccard and Wen Xu and Amardeep Singh and Jinting Zhu and Fariza Sabrina and Jin Kwak},
journal= {arXiv preprint arXiv:2203.16365},
year = {2023}
}
备注
26 pages