English(EN) Optimal feature selection for firewall log analysis using Machine learning and Hybrid Metaheuristic algorithms

QBSO-FS方法通过优化特征选择增强防火墙日志分析

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-12 03:38

研究人员开发了一种名为QBSO-FS的新型特征选择方法，该方法结合了蜂群优化和Q学习，以改进防火墙日志分析。该方法在UCI互联网防火墙数据集上使用随机森林、k近邻和伯努利朴素贝叶斯等分类器进行了测试。QBSO-FS方法成功识别出一小组特征，显著提高了分类准确率和Macro-F1分数，特别是对于去重数据上的随机森林，准确率达到99.90%，Macro-F1达到94.88%。 AI

影响优化网络安全任务的特征选择，可能提高防火墙日志分析的效率和准确性。

排序理由该集群包含一篇研究论文，详细介绍了应用于网络安全的机器学习特征选择新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.NE (Neural & Evolutionary) 阅读 →

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

本文如何被排名

Signal score: 1 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细介绍了应用于网络安全的机器学习特征选择新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 1 days old; Coverage has settled into its steady-state source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.NE (Neural & Evolutionary) TIER_1 English(EN) · Jusung Jeon · 2026-11-12 03:38

使用机器学习和混合元启发式算法进行防火墙日志分析的最佳特征选择

Firewall log classification is important to monitor network traffic. Machine learning classifiers using network-related features have shown good results for this task, but high-dimensional features slow down classification. In this paper, we apply feature selection using bee swar…

本文如何被排名

报道来源 [1]

使用机器学习和混合元启发式算法进行防火墙日志分析的最佳特征选择

相关实体

相关话题