机构名称：
¥ 1.0
摘要在越来越多地发展的数字时代，计算机网络安全是一个非常重要的问题，尤其是随着网络攻击的威胁增加。检测这些威胁的有效方法之一是通过实施机器学习。本研究旨在开发和评估能够实时检测到计算机网络的入侵的机器学习模型。所提出的模型使用监督的学习技术，其中包含正常网络流量和包含攻击流量的数据集用于训练算法。所考虑的算法包括决策树，随机森林和支持向量机（SVM）。 这项研究还进行了比较分析，以评估每种算法的性能，以准确性，精度，召回和处理时间。 实验结果表明，应用的机器学习模型能够以高度准确性检测各种类型的攻击，在测试数据集中达到95％以上。 此外，事实证明，随机森林是检测入侵和精度和处理时间之间最佳平衡的最有效算法。 该系统的实施有望提高检测到计算机网络入侵的能力，从而有助于维持数据安全并减少由于网络攻击而导致的潜在损失。 关键字：机器学习，入侵检测，计算机网络所考虑的算法包括决策树，随机森林和支持向量机（SVM）。这项研究还进行了比较分析，以评估每种算法的性能，以准确性，精度，召回和处理时间。实验结果表明，应用的机器学习模型能够以高度准确性检测各种类型的攻击，在测试数据集中达到95％以上。此外，事实证明，随机森林是检测入侵和精度和处理时间之间最佳平衡的最有效算法。该系统的实施有望提高检测到计算机网络入侵的能力，从而有助于维持数据安全并减少由于网络攻击而导致的潜在损失。关键字：机器学习，入侵检测，计算机网络
实施机器学习以进行入侵检测...
主要关键词
相关文件推荐
