發(fā)布時(shí)間：2022-10-10 13:42

　　為提高復(fù)雜網(wǎng)絡(luò)環(huán)境中入侵檢測(cè)模型的準(zhǔn)確性和實(shí)時(shí)性,提出一種基于隨機(jī)森林和極端梯度提升樹(shù)（XGBoost）的網(wǎng)絡(luò)入侵檢測(cè)模型RF-XGB。首先針對(duì)隨機(jī)森林算法計(jì)算特征重要性的特點(diǎn),設(shè)計(jì)混合特征選擇方法高效篩選出最有價(jià)值的特征子集;在XGBoost算法中引入代價(jià)敏感函數(shù)來(lái)提高對(duì)少樣本類別的檢測(cè)率,使用網(wǎng)格法調(diào)參降低模型復(fù)雜度。實(shí)驗(yàn)仿真結(jié)果表明,與其他機(jī)器學(xué)習(xí)算法相比,所提出的模型在具備更高檢測(cè)精度的情況下減少了50%以上的處理時(shí)間,并在噪聲影響下具有較好的魯棒性和自適應(yīng)性。 

【文章頁(yè)數(shù)】：10 頁(yè)

【文章目錄】：
1 引言
2 RF-XGB網(wǎng)絡(luò)入侵檢測(cè)模型
    2.1 網(wǎng)絡(luò)入侵檢測(cè)模型設(shè)計(jì)
    2.2 特征評(píng)價(jià)指標(biāo)
    2.3 混合特征選擇
    2.4 基于代價(jià)敏感函數(shù)的改進(jìn)XGBoost算法
    2.5 網(wǎng)格法調(diào)參
3 實(shí)驗(yàn)及性能評(píng)價(jià)
    3.1 網(wǎng)絡(luò)流特征的構(gòu)建
    3.2 實(shí)驗(yàn)環(huán)境及評(píng)價(jià)指標(biāo)
    3.3 檢測(cè)分析
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于KELM選擇性集成的復(fù)雜網(wǎng)絡(luò)環(huán)境入侵檢測(cè)[J]. 劉金平,何捷舟,馬天雨,張五霞,唐朝暉,徐鵬飛.  電子學(xué)報(bào). 2019(05)
[2]特征選擇穩(wěn)定性研究綜述[J]. 劉藝,曹建軍,刁興春,周星.  軟件學(xué)報(bào). 2018(09)



本文編號(hào)：3689722