Всесторонний эмпирический анализ наборов данных, селекторов признаков на основе регрессии и линейных SVM-классификаторов для систем обнаружения вторжений

Системы обнаружения вторжений (IDS) на основе машинного обучения (ML) имеют решающее значение для защиты компьютерных сетей от вредоносной активности. Однако построение оптимальной (точной и высокопроизводительной) ML-IDS, что требует выбора комбинации наборов данных, селекторов признаков и классификаторов, является сложной задачей. В этой статье представлен всесторонний эмпирический анализ для повышения эффективности IDS посредством исследования трех ключевых компонентов: (1) наборы данных; (2) отбор признаков; и (3) методы классификации, основанные на регрессионных моделях и линейных машинах опорных векторов (LSVM). Сначала мы оцениваем шесть наборов данных, часто используемых в исследованиях IDS, выявляя их сильные и слабые стороны и пригодность для реальных сценариев. Далее мы исследуем селекторы признаков на основе регрессии для выявления наиболее релевантных признаков для обнаружения вторжений, что повышает точность и эффективность IDS. Затем мы рассматриваем различные LSVM-классификаторы, сравнивая их производительность и отмечая преимущества и недостатки. Комбинируя эти компоненты, исследование дает целостное понимание взаимосвязей между наборами данных, регрессионными селекторами признаков и SVM-линейными классификаторами, что помогает исследователям и практикам в проектировании более эффективных и надежных IDS. Эмпирический анализ выполняется с использованием строгих метрик оценки и всесторонней экспериментальной настройки для обеспечения надежных и беспристрастных результатов. Полученные выводы могут направить будущие исследования и разработку в сторону более эффективных и надежных ML-IDS.