本文研究了网络攻击分类中特征降维技术的有效性，重点比较了主成分分析（PCA）和线性预测编码（LPC）两种方法。高维特征表示在基于机器学习的网络攻击检测系统中被广泛使用，但计算复杂度的增加限制了其在资源受限环境（如边缘设备、物联网节点）中的部署。为了在保持分类性能的同时降低特征维度，作者对KDD Cup 1999数据集（一个经典的网络入侵检测基准）中的特征进行了压缩实验。他们生成了从原始高维特征到不同低维表示的多种压缩版本，并评估了多种分类模型（包括决策树、支持向量机、K近邻等）在压缩特征上的性能。实验结果表明，PCA即使在极端压缩情况下（例如从原始维度降至仅几个主成分）也能保持分类准确率，几乎不出现性能下降；而LPC虽然也能提供有竞争力的预测表示，但在相同压缩率下性能退化略大。总体而言，两种方法均能在几乎不损失分类准确性的前提下将特征维度降低一个数量级。该研究证明了轻量级特征压缩技术在高效率网络安全分析中的潜力，为开发适用于实时、低功耗环境的入侵检测系统提供了理论依据和实证支持。