基于特征选择的工业互联网入侵检测分类方法

摘要：

由于工业互联网接入设备的多样性和差异性,使其维护困难且易受攻击,针对该安全问题需要引入相关的防御系统来识别各种入侵攻击.传统的入侵检测系统能够检测到的攻击类型较少,且网络流量数据由于存在冗余导致无关特征使得分类性能较差.因此,提出一种基于特征选择的工业互联网入侵检测分类方法.该方法首先对数据集进行预处理,并通过计算特征的皮尔逊相关系数来判断特征的强弱关系,确定最优的阈值进行特征提取;之后从机器学习和深度学习2个角度,利用逻辑回归、支持向量机、K近邻、决策树、随机森林、多层感知机、卷积神经网络和时空网络8种模型分别进行二分类和多分类实验,并作评估.实验结果表明,随机森林的二分类效果最佳,决策树的多分类效果最佳.最后在真实工业互联网实践中验证了所提方法的有效性.

关键词：工业互联网、入侵检测、皮尔逊相关系数、机器学习、深度学习

所属期刊栏目：59

分类号：TP393(计算技术、计算机技术)

资助基金：河北省高等学校科学技术研究项目BJK2022029

在线出版日期：2022-06-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1148-1159