人工智能和机器学习下的5G网络安全研究

提出了一种基于机器学习的网络入侵检测系统来防止恶意的在线攻击。该系统是一种多阶段优化框架，研究了过采样技术对模型训练样本数量的影响，比较了基于信息增益和基于相关性的两种特征选择技术，探讨其对检测性能和时间复杂度的影响；探索了不同的超参数优化技术来进一步提高网络入侵检测系统的性能。在CICIDS 2017和UNSW-NB 2015入侵检测数据集上的实验结果表明，该模型能显著降低所需的样本数量和特征集量，并在两个数据集上的检测准确率均超过99%。在保持检测性能的同时降低了计算复杂度。