机构名称：
¥ 1.0
在过去的几十年中，在网络威胁的频率和复杂性的上升驱动下，计算机和信息安全的重要性呈指数增长。尽管入侵技术和安全技术都取得了迅速的进步，但许多组织仍在继续依靠过时的网络安全策略，使它们容易受到日益复杂的网络攻击的影响。常规防御措施，例如基本的防火墙和基于签名的检测系统，通常不足以抵抗使用高级方法（包括零日漏洞利用和多态性恶意软件）来逃避检测的现代攻击者。政府网络服务器容纳大量敏感的公民数据，是恶意演员特别有吸引力的目标。响应这些不断发展的威胁，部署入侵检测系统（IDS）已成为保护网络基础架构的关键组成部分，为未经授权的访问和数据泄露提供了必不可少的防御层。本研究探讨了六种基于机器学习的分类方法的功效；随机森林，梯度提升，Xgboost，catboost，Logistic回归和LightGBM在处理复合物，高维数据时都选择了其特定优势。这些算法应用于综合数据集以检测恶意活动，重点是实现分类性能的高精度和鲁棒性。值得注意的是，所有六个模型均表现出很大的有效性，达到0.98的准确率，AUC值达到1.00，突显了它们在增强IDS功能方面的潜力。结果强调了利用高级机器学习技术在增强网络安全防御方面的重要性，尤其是在关键领域（如政府数据保护）等关键领域，而精确性和可靠性至关重要。
使用...
主要关键词
相关文件推荐
