融合随机森林和梯度提升树的入侵检测研究

周杰英贺鹏飞邱荣发陈国吴维刚

摘要：

网络入侵检测系统作为一种保护网络免受攻击的安全防御技术,在保障计算机系统和网络安全领域起着非常重要的作用.针对网络入侵检测中数据不平衡的多分类问题,机器学习已被广泛用于入侵检测,比传统方法更智能、更准确.对现有的网络入侵检测多分类方法进行了改进研究,提出了一种融合随机森林模型进行特征转换、使用梯度提升决策树模型进行分类的入侵检测模型RF-GBDT,该模型主要分为特征选择、特征转换和分类器这3个部分.采用UNSW-NB15数据集对RF-GBDT模型进行了实验测试,与其他3种同领域的算法相比,RF-GBDT既缩短了训练时间,又具有较高的检测率和较低的误报率,在测试数据集上受试者工作特征曲线下的面积可达98…展开v

关键词：网络入侵检测;数据不平衡;随机森林;梯度提升树;UNSW-NB15数据集

所属期刊栏目：32

分类号：TP309(计算技术、计算机技术)

资助基金：国家重点研发计划;国家自然科学基金;广东省自然科学基金

在线出版日期：2021-10-15（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：3254-3265