物联网入侵检测：超越准确性，关注解释成本和稳定性

一项新近发表在arXiv上的研究，在准确性之外，重点评估了用于物联网（IoT）入侵检测的机器学习模型的解释成本、稳定性和效用。研究人员构建了一个安全的CICIoT2023语料库，并测试了Logistic Regression、Decision Tree、Random Forest和XGBoost等模型。研究结果表明，XGBoost提供了强大的预测性能，而Random Forest的误报率最低。该研究还使用TreeSHAP量化了解释生成所需的计算成本，揭示了模型之间的显著差异，并强调了这些因素对于实际、资源感知的物联网安全的重要性。 AI

排序理由 该条目是一篇学术论文，详细介绍了关于入侵检测机器学习模型的研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• CICIoT2023
• decision tree
• Internet of Things
• logistic regression model
• random forest
• TreeSHAP
• XGBoost

• 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 →