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。

该论文针对网络入侵检测系统（NIDS）在高维、高度不平衡流量场景下的特征选择问题，提出了一种名为nCMD（benign-anchored Classwise Mean Deviation）的轻量级、可解释的特征选择方法。传统过滤方法使用全局统计量（如卡方检验、互信息）对称地跨类别计算特征得分，无法捕捉入侵检测中攻击流量是主导良性流量偏离的本质。nCMD基于良性类锚定思想，将每个攻击类别的分布与良性类均值比较，计算特征对偏离程度的贡献，从而更贴合NIDS的操作语义，且不增加计算成本。在CICIDS2017、CICDDoS2019、NSL-KDD和UNSW-NB15四个基准数据集上，结合不同特征预算和三种下游分类器（如决策树、随机森林、逻辑回归），nCMD在宏平均F1得分上匹配或优于经典过滤方法，并在四个数据集中的三个上取得最佳结果，尤其在特征预算紧张和严重类别不平衡时提升显著。实验表明，nCMD作为资源受限NIDS的预处理组件具有可扩展性和可解释性。