文件名称：使用加权极限学习机解决入侵检测系统的不平衡类问题-研究论文
文件大小：607KB
文件格式：PDF
更新时间：2024-06-09 16:32:48
Machine Learning Weighted Extreme Learning
入侵检测系统（IDS）的主要问题在于这些系统对错误的敏感性，经常执行这些系统的评估过程的不一致和不公平的方式。 先前的大多数努力都涉及通过提高检测率和减少错误警报来提高这些模型的整体准确性，这是一个重要的问题。 机器学习（ML）算法可以将次要类的全部或大部分记录分类为主要类之一，而对性能的影响可以忽略不计。 由于需要改进IDS的性能，因此还利用了小班制带来的威胁的风险和以前所做努力的不足来解决此问题。 在本文中，分层采样方法和不同的成本函数方案与具有内核，激活函数的极限学习机（ELM）方法进行了合并，以构建具有竞争力的ID解决方案，从而提高了这些系统的性能并减少了准确性悖论问题的发生。 主要实验是使用UNB ISCX2012数据集进行的。 UNB ISCX2012数据集的实验结果表明，具有多项式函数的ELM模型在整体准确性，查全率和F评分方面优于其他模型。 此外，它在Normal，DoS和SSH类中与传统模型竞争。