基于随机森林和XGBoost的网络入侵检测模型

• 作者: 吕娜 陈卓
• 来源期刊: 信号处理
• 学科: 工学
• 关键词: 入侵检测 特征选择 随机森林 极端梯度提升树 代价敏感函数
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 论文
• 页码范围: 1055-1064
• 页数: 10页
• 分类号: TP393
• 字数: 6655字
• 语种: 中文
• DOI: 10.16798/j.issn.1003-0530.2020.07.004

摘要

为提高复杂网络环境中入侵检测模型的准确性和实时性,提出一种基于随机森林和极端梯度提升树(XGBoost)的网络入侵检测模型RF-XGB.首先针对随机森林算法计算特征重要性的特点,设计混合特征选择方法高效筛选出最有价值的特征子集;在XGBoost算法中引入代价敏感函数来提高对少样本类别的检测率,使用网格法调参降低模型复杂度.实验仿真结果表明,与其他机器学习算法相比,所提出的模型在具备更高检测精度的情况下减少了50％以上的处理时间,并在噪声影响下具有较好的鲁棒性和自适应性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈卓	空军工程大学信息与导航学院	12	31	3.0	5.0
2	吕娜	空军工程大学信息与导航学院	56	248	9.0	13.0