TY -的A2 -棕褐色,志远盟——曾Zengri盟——彭,魏盟——赵Baokang PY - 2021 DA - 2021/11/03 TI -提高网络入侵检测的准确性与因果机器学习SP - 8986243六世- 2021 AB -近年来,机器学习(ML)已获批准有效的入侵检测算法。然而,随着ML算法主要应用于评估网络的异常,检测精度与多种类型的网络攻击不能充分保障。现有的网络入侵检测算法基于ML或特征选择的基础上的相关性特性和网络攻击,导致错误的分类。为了解决上述问题,本研究旨在建立一个新的网络入侵检测系统(NIDS)基于因果毫升。该系统开始与噪声特性的识别因果干预,而只有与网络攻击有因果关系的特点是保留。然后,ML算法被用来做一个初步的分类来选择最相关类型的网络攻击。因此,独特的标记可以反事实的检测算法检测到的网络攻击。除了一个相对稳定的精度,也可以有效地减少网络攻击检测的复杂性,最大限度的减少94%的培训功能。此外,在几种类型的网络攻击的可用性的情况下,检测精度显著提高较ML算法。SN - 1939 - 0114 UR - https://doi.org/10.1155/2021/8986243 - 10.1155 / 2021/8986243摩根富林明安全和通信网络PB - Hindawi KW - ER