基于数据特征学习的网络安全数据分类方法研究

摘要：

数据分类在网络安全防护与监测预警中发挥着重要作用.随着网络系统规模的扩大、网络速度的提高以及网络安全事件的增多,安全数据的数量急剧增加,极大影响了数据分类的准确性,从而给入侵检测、安全评估、攻击意图识别等安全应用带来极大挑战.文章提出一种结合SMOTE-SVM算法和XGBoost算法的数据分类模型.首先,针对数据不平衡的情况,采用过采样和下采样相结合的方法,设计一种基于SMOTE-SVM算法的数据特征平衡方法,提高了训练数据分布的合理性和训练精度.然后,针对多源异构的安全数据的多样性特点,采用独热编码技术实现数据的规范化.最后,基于XGBoost算法对数据集进行特征提取和分类.实验结果表明,该方法在数据分类查准率、召回率和综合有效性方面具有明显优势,能有效提高网络安全大数据的分析能力,对网络安全态势感知具有重要的应用意义.

关键词：网络空间安全、不平衡数据、SMOTE、XGBoost

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金61772136;福建省科技厅重点项目2014H0024;福建省科技创新平台建设项目2014H2005;福州大学科技项目XRC-18007

在线出版日期：2020-01-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：50-56