一种基于改进ReliefF算法的入侵检测模型

针对现有入侵检测算法中特征提取不充分、未考虑特征权重的影响、模型分类不够精确等问题，提出一种基于改进ReliefF算法的入侵检测模型。通过优化入侵数据特征权重计算，提出改进的ReliefF算法；根据计算特征的Pearson相关系数，建立特征相关性量表。只保留其中一个相关性高的特征，以实现特征的二次优化；对最优特征子集分别使用决策树(decision tree,DT)、k-最近邻(k-nearest neighbor, KNN)、随机森林(random forest, RF)、朴素贝叶斯(naive bayes, NB)和支持向量机(support vector machine, SVM)5种分类器评价该方法的分类性能和准确性。在NSL-KDD和UNSW-NB15两个数据集上的试验结果表明，该方法不仅具有较好的检测性能，还能有效降低特征维度，对分类器的计算复杂度有积极的影响。