仅用3个拓扑指标，攻击检测准确率反升至97.15%，运行时间暴降96%！
A Multi Method Importance and Performance Efficiency Analysis of Topological Metrics for Natural Visibility Graph Based Cyber Attack Detection
📖 AI 总结
本研究针对自然可见图（NVG）网络流量分析中拓扑指标冗余与计算成本高的问题，系统评估了21个NVG衍生拓扑指标对网络攻击检测的贡献差异。作者整合SHAP、分组置换重要性、Boruta和递归特征消除四种方法，通过共识排序策略筛选关键指标，并在CICIDS2018数据集上以CNN分类器和分层五折交叉验证比较了Full21至Top3等六种配置。结果显示，排名前三的指标均与平均聚类系数相关，Top3配置取得最高平均性能，准确率达97.148%，加权F1为97.055%，MCC为0.9675，均优于使用全部21个指标的基线，同时总运行时间从14961.39秒降至589.22秒，降幅达96.06%。该研究表明，基于重要性引导的指标精简可在提升预测性能的同时大幅降低计算开销，为NVG攻击检测提供了更高效的紧凑表示方案。
🔑 关键词速览
| Natural Visibility Graph (NVG) | 一种将时间序列映射为图结构的方法，其中节点代表时间点，若两点间可视则连边，用于捕捉序列的拓扑特征。 |
| SHAP | 一种基于博弈论的特征重要性分析方法，通过计算每个特征对模型预测的贡献来解释模型输出。 |
| Boruta | 一种基于随机森林的特征选择算法，通过比较真实特征与随机影子特征的重要性来确定特征的相关性。 |
| Recursive Feature Elimination (RFE) | 一种递归特征消除方法，通过反复训练模型并移除最不重要的特征来选择最优特征子集。 |
| CICIDS2018 | 一个常用的网络入侵检测数据集，包含多种攻击类型的流量数据，用于评估入侵检测系统。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅