机构名称：
¥ 1.0
在当今的数字时代，网络威胁对组织构成了重大挑战，需要采取更高级的检测方法。本研究旨在评估机器学习（ML）技术在检测网络威胁，专注于监督，无监督和增强学习模型中的有效性。诸如CICIDS2017之类的数据集，研究训练包括随机森林，支持向量机（SVM）和神经网络在内的模型。评估基于准确性，精度，召回和F1得分指标。结果表明，随机森林模型以92.5％的准确性优于其他模型，精度为91.8％，F1得分为92.4％。这种出色的表现强调了其实时威胁检测的潜力，这是一个案例研究证明的，该案例研究有效地确定了大型技术公司网络中先前未发现的网络威胁。但是，该研究还承认诸如数据质量和连续模型更新的需求之类的挑战。这些发现表明，将ML模型集成到网络框架框架中可以显着提高威胁检测效率。未来的研究应探索将ML与传统方法结合起来，并提高对抗性攻击的模型鲁棒性，以进一步提高网络安全度量。
评估机器学习在网络威胁检测中的有效性
主要关键词
相关文件推荐
