基于集成学习的入侵检测模型

摘要：

入侵检测系统通过对网络上的恶意行为检测,来保证网络安全和计算机系统的稳定,随着人工智能技术的发展,机器学习与深度学习算法被广泛应用在入侵检测系统中.以入侵检测模型为研究目标,针对网络异常行为检测中的不平衡数据多分类问题,对现有的网络异常行为检测多分类模型进行优化,提出了一种基于卷积神经网络、LSTM(Long Short-Term Memory)神经网络与XGBoost(eXtreme Gradient Boosting)算法集成的检测模型(CNN+LSTM-In-XGBoost).该模型包括数据预处理、长短期神经网络模型训练、数据降维、采样后XGBoost模型训练3个部分,通过对UNSW-NB15数据集进行实验分析,发现其准确率和分类平均f1-score均高于基准算法,特别少数类样本的分类准确率相比基准机器学习算法与神经网络模型有较大提升.

关键词：异常行为检测、长短期记忆网络、极端梯度提升树、特征提取、多折交叉验证、采样方法

所属期刊栏目：46

分类号：TP183(自动化基础理论)

资助基金：河北省高等教育教学改革研究与实践项目;教育部产学合作协同育人项目

在线出版日期：2024-01-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：122-132