时空融合门控多层感知器网络入侵检测的评估估数据集

与任何基于 ML 的应用一样，高质量数据集的可用性对于基于 ML 的 NIDS 的训练和评估至关重要。目前可用的 NIDS 数据集存在的一个关键问题是缺乏标准特征集。由于每个公开可用的数据集都使用一套独特的专有特征集，因此几乎无法比较基于 ML 的流量分类器在不同数据集上的性能，也就无法评估这些系统在不同网络场景中的通用能力。为了解决这一限制，本文提出并评估了基于NetFlow网络元数据收集协议和系统的标准 NIDS 特征集NF-ToN-IoT。该数据用于评估基于时空融合门控多层感知器网络入侵方法是否可以有效检测到入侵。本研究使用的数据集是标准数据集准换来的基于NetFlow的通用基本特征集，包括物联网 (IoT) 服务的遥测数据、物联网网络的网络流量和操作系统日志。数据集经过预处理，包括去噪、编码、标准化和数据分割等操作，最后得到可供模型训练和测试的数据，确保实验条件的可重复性和结果的可靠性。该数据用于评估基于时空融合门控多层感知器网络入侵方法是否可以有效检测到入侵。本研究使用的数据集是标准数据集准换来的基于NetFlow的通用基本特征集，包括物联网 (IoT) 服务的遥测数据、物联网网络的网络流量和操作系统日志。数据集经过预处理，包括去噪、编码、标准化和数据分割等操作，最后得到可供模型训练和测试的数据，确保实验条件的可重复性和结果的可靠性。在此数据集上的实验表明，本文的模型相较于其他NIDSs在入侵检测上更高效。