10.19665/j.issn1001-2400.2021.01.020
自适应分箱特征选择的快速网络入侵检测系统
针对传统入侵检测系统检测率较低、基于深度学习的入侵检测系统训练和检测时间较长的问题,提出基于信息增益的自适应分箱特征选择算法,并将此算法与LightGBM相结合,设计了一种快速网络入侵检测系统.首先对原始数据集进行预处理,将数据标准化;然后通过自适应分箱特征选择算法,去除原始数据中的冗余特征和噪声,将原始高维数据降为低维数据,从而提高系统的检测准确率并降低训练和检测时间;最后在经过特征选择的训练集上利用LightGBM进行模型训练,训练出能够检测攻击流量的入侵检测系统.通过在NSL-KDD数据集上验证,提出的特征选择算法在特征选择上仅耗时27.35 s,相比传统算法降低了约96.68％;设计的入侵检测系统在测试集上准确率高达93.32％,且训练时间较短.与现有网络入侵检测系统相比,准确率更高,模型训练速度更快.
入侵检测、特征选择、LightGBM算法、信息增益、集成学习
48
TP393(计算技术、计算机技术)
装备预先研究项目30604020102
2021-03-08（万方平台首次上网日期，不代表论文的发表时间）
共7页
176-182
