基于改进CatBoost的入侵检测研究

摘要：

针对当前传统的网络入侵检测系统存在由于数据不平衡、特征冗余而导致检测准确率低的问题,设计了一种基于改进CatBoost(Categorical Boosting)的网络入侵检测模型.该模型主要有特征选择和分类器两个模块,其步骤为首先去除数据集中无效的特征;接着进行特征提取,其实现过程融合了 CatBoost特征重要性评估方法,以此减少模型训练和检测时间;最后在经过特征选择的训练集上利用引入Focal loss作为损失函数的CatBoost进行模型训练分类.UNSW-NB15数据集上的结果表明,本文提出的入侵检测模型在验证阶段检测准确率为92.51％,且误报率为5.42％.与传统模型相比更准确,误报率更低.

关键词：入侵检测、特征选择、数据不平衡、CatBoost算法、Focal loss损失函数

分类号：TP309;TP181;TN957.51

在线出版日期：2023-02-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：28-32