基于随机森林和XGBoost的网络入侵检测模型

发布时间：2022-10-10 13:42

　　为提高复杂网络环境中入侵检测模型的准确性和实时性,提出一种基于随机森林和极端梯度提升树（XGBoost）的网络入侵检测模型RF-XGB。首先针对随机森林算法计算特征重要性的特点,设计混合特征选择方法高效筛选出最有价值的特征子集;在XGBoost算法中引入代价敏感函数来提高对少样本类别的检测率,使用网格法调参降低模型复杂度。实验仿真结果表明,与其他机器学习算法相比,所提出的模型在具备更高检测精度的情况下减少了50%以上的处理时间,并在噪声影响下具有较好的鲁棒性和自适应性。 

【文章页数】：10 页

【文章目录】：
1 引言
2 RF-XGB网络入侵检测模型
    2.1 网络入侵检测模型设计
    2.2 特征评价指标
    2.3 混合特征选择
    2.4 基于代价敏感函数的改进XGBoost算法
    2.5 网格法调参
3 实验及性能评价
    3.1 网络流特征的构建
    3.2 实验环境及评价指标
    3.3 检测分析
4 结论


【参考文献】：
期刊论文
[1]基于KELM选择性集成的复杂网络环境入侵检测[J]. 刘金平,何捷舟,马天雨,张五霞,唐朝晖,徐鹏飞.  电子学报. 2019(05)
[2]特征选择稳定性研究综述[J]. 刘艺,曹建军,刁兴春,周星.  软件学报. 2018(09)



本文编号：3689722