新的BARS方法显著减少了网络入侵检测中的误报

研究人员开发了一种名为良性锚定排序和选择（BARS）的新方法，用于减少网络入侵检测系统（NIDS）中的误报。BARS是一种两阶段过滤器，它通过使用良性流量类别作为稳定锚点，而不是可能被不平衡数据扭曲的全局均值，从而改进了现有的类不对称过滤器。这种方法显著降低了误报率，尤其是在攻击流量较多的环境中，同时保持了真阳性率和整体性能。BARS设计高效，内存占用少，评分时间为线性，适合资源受限的NIDS部署。 AI

影响 该方法通过减少误报引起的警报疲劳，可以提高安全系统的效率和可靠性。

排序理由 该集群包含一篇详细介绍网络入侵检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

• BARS
• Benign-Anchored Ranking and Selection
• CICDDoS2019
• CICIDS2017
• Classwise Mean Deviation
• Mutual Information
• Network Intrusion Detection Systems
• Pearson Correlation
• UNSW-NB15

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →