ИССЛЕДОВАНИЕ · RESEARCH · #1516
Сокращение NVG‑метрик повышает точность обнаружения атак CNN и сокращает время работы на 96% (arXiv:2610.02342v1)
В работе оценены 21 топологическая метрика Natural Visibility Graph (NVG) для классификации кибератак на наборе CICIDS2018; методы SHAP, сгруппированная перестановочная важность, Boruta и RFE объединены в консенсусный рейтинг, после чего проверены несколько сокращённых наборов метрик с использованием CNN. Три лучшие метрики (avg_clustering_coeff_median, avg_clustering_coeff_std, avg_clustering_coeff_mean) показали наилучшие средние результаты — 97.148% точности, 97.055% взвешенного F1, MCC 0.9675 — против Full21 (95.999% точности, 95.521% F1, MCC 0.9549), при этом общее время выполнения сократилось с 14 961.39 с до 589.22 с (96.06%) в исследуемой конфигурации.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- В работе оценены 21 топологическая метрика Natural Visibility Graph (NVG) для классификации кибератак на наборе CICIDS2018; методы SHAP, сгруппированная перестановочная важность, Boruta и RFE объединены в консенсусный рейтинг, после чего проверены несколько сокращённых наборов метрик с использованием CNN.
- Три лучшие метрики (avg_clustering_coeff_median, avg_clustering_coeff_std, avg_clustering_coeff_mean) показали наилучшие средние результаты — 97.148% точности, 97.055% взвешенного F1, MCC 0.9675 — против Full21 (95.999% точности, 95.521% F1, MCC 0.9549), при этом общее время выполнения сократилось с 14 961.39 с до 589.22 с (96.06%) в исследуемой конфигурации.
- Показывает, что выбор метрик по важности может одновременно повысить качество предсказаний и существенно снизить вычислительные затраты, что помогает практическому и эффективному применению NVG‑методов для обнаружения атак.
ПОЧЕМУ ЭТО ВАЖНО
Показывает, что выбор метрик по важности может одновременно повысить качество предсказаний и существенно снизить вычислительные затраты, что помогает практическому и эффективному применению NVG‑методов для обнаружения атак.