文件名称：基于KDD和NSL-KDD数据集的不同机器学习算法和弱分类器的调查-研究论文
文件大小：323KB
文件格式：PDF
更新时间：2024-06-08 13:04:11
KDD NSL-KDD WEKA AdaBoost KNN
网络入侵检测通常在创建可以处理不平等的分布式攻击类别的分类器时遇到困难。 通常，远程到本地（R2L）和用户到根（U2R）攻击是非常罕见的攻击，即使在KDD数据集中，这些攻击也仅占整体数据集的2％。 因此，这些结果导致模型无法有效地学习稀有类别的特征，这将导致稀有攻击类别（如R2L和U2R攻击）的检测率很低。 我们甚至在WEKA中使用不同的分类器比较了KDD和NSL-KDD数据集的准确性。