基于Double-Bagging特征降维异质集成入侵检测

摘要：

入侵检测是网络安全领域中具有挑战性的重要任务.单个分类器可能会带来分类偏差,使用集成学习相较单分类器,具有更强的泛化能力及更高的精确率,但调整各基分类器的权重需要大量的时间.基于此问题,提出了一种基于Bagging特征降维和基于Bagging异质集成入侵检测分类算法(Double-Bagging)的特征降维异质集成入侵检测算法.该算法通过集成5个特征选择算法,采用Bagging投票机制选出最优特征子集,实现高效准确的特征降维.同时,引入集成学习中的成对多样性度量,从不同基分类器组合中选出最优异质集成集合.对于赋权函数综合使用精确率和AOC值作为权重对分类器进行集成.实验结果表明,所提算法精确率高达99.94％,系统错误率及正判率分别为0.03％和99.55％,均优于现有主流入侵检测算法的.

关键词：入侵检测、异质集成学习、特征降维、成对多样性度量

所属期刊栏目：45

分类号：TP393(计算技术、计算机技术)

资助基金：广西区自然科学基金项目;广西高校中青年教师科研基础能力提升项目

在线出版日期：2023-06-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1011-1019