自然可视图（NVG）通过拓扑描述符刻画网络流量的结构特性。本文评估了21个NVG衍生的拓扑度量，并探讨在保持分类能力的前提下降低计算开销的可能性。采用SHAP、分组置换重要性、Boruta和递归特征消除四种重要性分析方法，并通过共识排序整合结果。基于排序构建了Full21、Top15、Top10、Top7、Top5和Top3六种特征子集，在CICIDS2018数据集上使用CNN分类器并采用分层5折交叉验证进行评估。排名前三的度量分别是avg_clustering_coeff_median、avg_clustering_coeff_std和avg_clustering_coeff_mean。Top3子集在平均准确率、加权F1和MCC上分别达到97.148%、97.055%和0.9675，优于Full21的95.999%、95.521%和0.9549。同时总运行时间从14961.39秒降至589.22秒，降低96.06%。结果表明，基于重要性引导的特征压缩能够在本实验设置下实现更高的预测性能和显著的计算效率提升。
点评