面向网络安全应用的异常检测机器学习分类器性能评估
机器学习
2025-04-29 v1 密码学与安全
摘要
本工作对两种不平衡公开数据集（KDDCUP99 和 Credit Card Fraud 2013）上的机器学习模型进行经验性评估。方法包括数据准备、模型训练和评估，使用 80/20（训练/测试）划分。测试的模型包括 eXtreme Gradient Boosting（XGB）、多层感知器（MLP）、生成对抗网络（GAN）、变分自编码器（VAE）以及多目标生成对抗主动学习（MO-GAAL），其中 XGB 和 MLP 进一步与随机过采样（ROS）和自paced-Ensemble（SPE）组合。评估包括 5 折交叉验证和 impute 技术（均值、中位数和 IterativeImputer），以及 10%、20%、30% 和 50% 缺失数据。结果表明 XGB 和 MLP 在生成模型中表现更佳。IterativeImputer 的结果相当于均值和中位数，但由于复杂度和执行时间的增加，不推荐用于大型数据集。所用代码已公开于 GitHub（github.com/markushaug/acr-25）。
引用
@article{arxiv.2504.18771,
title = {Performance of Machine Learning Classifiers for Anomaly Detection in Cyber Security Applications},
author = {Markus Haug and Gissel Velarde},
journal= {arXiv preprint arXiv:2504.18771},
year = {2025}
}