基于融合机器学习算法的网络入侵检测与定位技术

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。