基于特征重要度二次筛选的DDoS攻击随机森林检测方法

• 作者: 李娜娜 王勇 周林 邹春明 田英杰 郭乃网
• 来源期刊: 计算机科学
• 关键词: DDoS攻击检测 特征提取 重要度准则 机器学习 随机森林
• 年，卷（期）: 2021,（z1）
• 所属期刊栏目: 信息安全|Information Security
• 页码范围: 464-467,476
• 页数: 5页
• 分类号: TP309.2
• 语种: 中文
• DOI: 10.11896/jsjkx.200900101

摘要

特征选择是攻击检测算法中的一种重要方法,该方法多采用交叉验证递归特征消除(Recursive Feature Elimination with Cross-Validation,RFECV)技术,并通常结合机器学习算法使用.但该算法多用于选取单模型特征,其性能也极易受特征量、学习器的变化而波动,因其计算量大,该算法的分类准确率也仍需提高.针对上述问题,文中提出了一种基于特征重要度二次筛选的DDoS攻击随机森林检测方法.首先,该算法对原始数据集进行预处理并提取特征;其次,该算法为了从所选模型中选择最相关的变量,使用RF变量重要度准则,利用随机森林的重要性评分对变量进行排序;然后,在随机森林特征排序的基础上,对变量计算累积重要性并得到最重要变量;接着,使用所筛选出的最重要变量再次进行训练以生成分类模型,从而得出一组新的重要变量并将其定义为当前变量;最后,通过重要度准则,计算累积重要性来得到最终的最佳变量,从而有效地去除异常点,避免局部最优,进而实现对DDOS攻击的精准分类检测.实验结果表明,该方法具有较高的准确度和精确度,能够实现对正常流量以及各种DDoS攻击流量的精准分类,适用于在大数据下检测DDoS攻击.