基于数据特征学习的网络安全数据分类方法研究

• 作者: 刘延华 朱敏琛 苏培煌 高晓玲
• 来源期刊: 信息网络安全
• 学科: 工学
• 关键词: 网络空间安全 不平衡数据 SMOTE XGBoost
• 年，卷（期）: 2019,（10）
• 所属期刊栏目: 技术研究
• 页码范围: 50-56
• 页数: 7页
• 分类号: TP309
• 字数: 4812字
• 语种: 中文
• DOI: 10.3969/j.issn.1671-1122.2019.10.007

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	朱敏琛	福州大学数学与计算机科学学院	22	95	6.0	9.0
3	刘延华	福州大学数学与计算机科学学院	21	322	6.0	17.0
7	高晓玲	福州大学数学与计算机科学学院	1	2	1.0	1.0
13	苏培煌	福州大学数学与计算机科学学院	1	2	1.0	1.0