已经有广泛的研究应用不同的特征选择方法来协助入侵检测系统（IDS）提高性能并降低误报率。
单一特征选择方法是基于重要性指标的假设来消除不重要的特征，比如说信息增益利用特征和标签之间的信息熵作为特征重要性指标。
而随机森林则基于多棵决策树来判断特征的重要性，为了避免特征重要性指标出现偏差，使用混合特征选择方法可以组合不同的指标以防止删除重要特征。
一些研究人员还指出，混合特征选择方法将比单一特征选择方法获得更稳定的性能，而研究的目的是提出一种混合特征选择方法。
从而可以帮助提高UNSW-NB15数据集上入侵检测系统的多分类性能，对此研究人员还提出了一种名为IGRF-RFE的混合特征选择方法。
该方法结合了过滤器和包装器方法，可以减少特征子集搜索空间并消除冗余特征。
根据研究人员提出的模型的概述和混合特征选择法，UNSW-NB15数据集包含39个数值特征和3个分类特征，并提供训练集和测试集。
由于它不能直接在MLP模型中使用，因此应用数据预处理来对数据集进行编码，在数据预处理过程中，研究人员执行了数据清理、少数去除、过采样、编码和数据集标准化等技术。
