基于网络的入侵检测已成为评估机器学习算法的常见方法。 尽管KDD Cup'99数据集在不同的入侵类别上存在类别失衡，但它在评估机器学习算法方面仍起着重要作用。 在这项工作中，我们利用奇异值分解技术来减少特征维数。 我们进一步从缩减特征和所选特征向量中重构特征。 重建损失用于确定给定网络功能的入侵类别。 对于该样本，重构损失最小的入侵类别被接受为网络中的入侵类别。 对于指定的任务，建议的系统在KDD Cup'99数据集上的准确性为97.90％。 我们还分别分析了具有单独入侵类别的系统。 该分析表明，该系统具有多个分类器。 因此，我们还创建了一个随机森林分类器。 随机森林分类器的性能明显优于基于S