贝叶斯分类器变体在网络入侵检测中的性能比较与实现
机器学习
2023-08-24 v1 密码学与安全
摘要
贝叶斯分类器在每个特征彼此完全独立时表现良好，但这在现实应用中并非总成立。本研究的目的是实现并比较各贝叶斯分类器变体（多项式、伯努利和高斯）在网络入侵异常检测上的性能，并探究各变体的假设与其性能之间是否存在关联。我们的研究表明，每种贝叶斯算法都盲目遵循其假设而不顾特征属性，且该假设是影响准确率的最单一重要因素。实验结果显示，伯努利测试准确率为69.9%（训练71%），多项式测试准确率为31.2%（训练31.2%），而高斯测试准确率为81.69%（训练82.84%）。进一步深入调研我们发现，各朴素贝叶斯变体的性能与准确率很大程度上源于其分类器假设：高斯分类器因假设特征服从连续正态分布而在异常检测中表现最佳，而多项式分类器因简单假设离散与多项分布而表现糟糕。
引用
@article{arxiv.2308.11834,
title = {Performance Comparison and Implementation of Bayesian Variants for Network Intrusion Detection},
author = {Tosin Ige and Christopher Kiekintveld},
journal= {arXiv preprint arXiv:2308.11834},
year = {2023}
}
备注
5 pages