小样本纠错的多层入侵检测分类研究

• 作者: 滕少华 陈成 霍颖翔
• 来源期刊: 广东工业大学学报
• 学科: 工学
• 关键词: 入侵检测 降维分类 纠错 不平衡数据集
• 年，卷（期）: 2020,（3）
• 页码范围: 9-16
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.12052/gdutxb.200036

摘要

入侵检测对于网络安全至关重要, 不平衡或易混淆的训练样本往往导致传统入侵检测算法效率不佳。为此, 提出一种小样本纠错的多层检测分类模型。首先, 通过正交投影降维分类算法, 使用入侵检测数据集的训练集构建第一层的初筛分类器, 将待测样本粗分为三类；然后基于支持向量机及随机森林算法构造第二层和第三层的级联分类器组, 每层逐步纠错前面层, 并细分至五类; 最后, 用开源入侵检测评测数据集NSL-KDD进行实验。实验结果表明, 本文的方法显著提高了对于拒绝服务攻击(Denial of Service, DoS)、探测攻击(Probe)、未经授权的远程访问(Remote to Local, R2L)类攻击样本的准确率, 整体召回率及准确率优于同类研究。