该论文针对网络入侵检测系统（NIDS）中误报率过高的问题，提出了一种名为BARS（良性锚定排序与选择）的特征选择方法。经典过滤式特征选择方法通常采用类别对称准则，忽略了入侵检测中正常流量与攻击流量的不对称性——正常流量构成基线而攻击是偏离。最近提出的类别不对称方法CMD（类均值偏差）虽然考虑了这一问题，但其得分锚定在全局均值上，在类别不平衡时全局均值会向攻击分布偏移，削弱了所需捕捉的偏差。BARS通过两阶段过滤替代CMD：第一阶段将锚点从全局均值替换为正常类均值，第二阶段实施保序去相关步骤。在CICIDS2017、CICDDoS2019和UNSW-NB15三个数据集上，使用特征预算k=5/10/20/30/40进行实验。在攻击占多数的数据集上（全局锚点偏差最严重），BARS相比CMD在UNSW-NB15（k=20）上误报率降低15.4%，在CICDDoS2019小特征预算下降低21%-23%，同时保持真正率和宏F1值。在正常占多数的数据上两者结果趋同，符合理论预期（全局锚点与正常锚点分数一致）。BARS是对CMD的原则性改进，并非全优方案。虽然皮尔逊相关系数和互信息特征选择常能达到更低的误报率，但在最大基准测试中内存消耗超过1TB。BARS保持线性时间评分和低内存占用，适合资源受限的部署环境。