基于融合机器学习算法的网络入侵检测与定位技术 |
| |
引用本文: | 刘欢,肖蔚,赵长明.基于融合机器学习算法的网络入侵检测与定位技术[J].现代电子技术,2023(12):182-186. |
| |
作者姓名: | 刘欢 肖蔚 赵长明 |
| |
作者单位: | 1. 西安交通大学;2. 陕西警官职业学院;3. 陕西省公安厅 |
| |
基金项目: | 西安市科技计划理论软科学课题(2022JH-YBXM-0143); |
| |
摘 要: | 针对传统的网络入侵检测系统中存在的漏报、误报率较高的问题,文中提出一种基于融合机器学习算法的网络入侵检测与定位技术。该技术方案的核心算法由PCA、DCNN以及LightGBM组成,针对网络流量数据维度高的特点,使用PCA进行主动降维,并通过DCNN模型对降维后的数据加以训练。针对分类模型LightGBM存在边缘数据检测精度较低的问题,利用损失函数对其进行权重改进,从而提高算法的准确率和执行效率。实验与测试结果表明,所提方法的多项指标均优于基础算法LightGBM,可实现对网络入侵的有效检测与定位。与GAN、LSTM、SVM、RF以及CNN算法的横向对比实验结果表明,所提算法对5类数据的分类准确率分别为99.1%、98.5%、93.3%、88.9%和84.9%,均优于对比算法,验证了其综合性能的优越性。
|
关 键 词: | 网络入侵检测 机器学习算法 主成分分析法 深度卷积神经网络 LightGBM模型 数据降维 |
|