یکی از چالشهای بزرگ سیستمهای تشخیص نفوذ (NIDS)، هشدارهای اشتباه (False Alarm) پرتعداد است که حتی در مدلهای دقیق هم دیده میشود. محققان به تازگی متد جدیدی به نام BARS معرفی کردهاند که با تغییر نحوه اولویتبندی ویژگیها و تمرکز بر دادههای سالم (Benign-Anchored)، دقت تشخیص را به شکل چشمگیری افزایش میدهد.
این روش به ویژه در محیطهایی با حجم ترافیک بالا، توانسته تا ۲۳٪ نرخ هشدارهای غلط را کاهش دهد و گامی مهم برای ایمنتر کردن شبکهها با کمک هوش مصنوعی بردارد. 🚀
منبع: arXiv Machine Learning