期刊刊名：科學與工程技術期刊 　 卷期：21卷2期

篇名出版日期：2025年9月1日

作者：陳縣綉,林詩穎,陳加汶,林仁勇,Hsien-Hsiu Chen, Shi-Ying Lin, Chia-Wen Chen, Jen-Yung Lin

語言：Chinese

關鍵字：入侵檢測系統,機器學習,網路安全,IDS, machine learning, network security

被點閱次數：0次

閱讀時間：0sec

摘要：
隨著網際網路於各類應用中之深度滲透，資訊安全議題日益受到重視，如何有效偵測並防範潛藏於網路流量中的惡意攻擊，已成為當前網路安全領域的重要研究課題之一。入侵檢測系統（Intrusion Detection System, IDS）作為防禦架構中的關鍵技術，能夠透過機器學習（Machine Learning, ML）方法進行異常行為分析與判斷，進而提升威脅偵測的準確性與即時性，其中特徵的保留和刪除並提高準確度是本研究的重點，因此本研究採用混合式特徵選擇，將特徵選擇中的過濾法和包裝法進行結合，提高過濾法快速剔除特徵後的準確率，改善包裝法篩選特徵子集中的低效率，並且結合XGBoost分類器作為本研究網路檢測攻擊行為的模型。根據實驗結果，在UNSW-NB15的資料集上，混合式的特徵選擇在準確率與預測時間，相較於單一使用特徵選擇方法效果皆是方法中為最佳，在即時預測攻擊行為的結果中，各分類器相較於其他的特徵選擇方法，皆花費最少的時間進行預測，有效的縮減模型在判斷攻擊行為預測時間。

　　　　　[全文下載]