网络安全中的自动机器学习：一项实证研究

自动化机器学习（AutoML）已成为自动化机器学习（ML）流程设计的有前景的范式，推动了人工智能的应用。然而，其在网络安全等复杂领域的可靠性仍未得到充分探索。本文系统评估了八个开源的AutoML框架，涉及11个公开可用的网络安全数据集，包括入侵检测、恶意软件分类、网络钓鱼、欺诈检测和垃圾邮件过滤。结果显示不同工具和数据集之间存在显著的性能变异，没有单一解决方案始终优于其他方案。观察到一个范式转变：挑战已从选择单个ML模型转移到识别最合适的AutoML框架，这一过程因运行效率、自动化能力和支持特性等差异而复杂化。AutoML工具通常偏向于基于树的模型，虽然其表现良好，但存在过拟合风险，并限制了解释性。识别的主要挑战包括对抗性脆弱性、模型漂移和特征工程不足。我们总结了最佳实践和研究方向，以增强高风险网络安全应用中AutoML的鲁棒性、可解释性和信任度。