為提高復(fù)雜網(wǎng)絡(luò)環(huán)境中入侵檢測模型的準確性和實時性,提出一種基于隨機森林和極端梯度提升樹（XGBoost）的網(wǎng)絡(luò)入侵檢測模型RF-XGB。首先針對隨機森林算法計算特征重要性的特點,設(shè)計混合特征選擇方法高效篩選出最有價值的特征子集;在XGBoost算法中引入代價敏感函數(shù)來提高對少樣本類別的檢測率,使用網(wǎng)格法調(diào)參降低模型復(fù)雜度。實驗仿真結(jié)果表明,與其他機器學習算法相比,所提出的模型在具備更高檢測精度的情況下減少了50%以上的處理時間,并在噪聲影響下具有較好的魯棒性和自適應(yīng)性。 

【文章頁數(shù)】：10 頁

【文章目錄】：
1 引言
2 RF-XGB網(wǎng)絡(luò)入侵檢測模型
    2.1 網(wǎng)絡(luò)入侵檢測模型設(shè)計
    2.2 特征評價指標
    2.3 混合特征選擇
    2.4 基于代價敏感函數(shù)的改進XGBoost算法
    2.5 網(wǎng)格法調(diào)參
3 實驗及性能評價
    3.1 網(wǎng)絡(luò)流特征的構(gòu)建
    3.2 實驗環(huán)境及評價指標
    3.3 檢測分析
4 結(jié)論


【參考文獻】：
期刊論文
[1]基于KELM選擇性集成的復(fù)雜網(wǎng)絡(luò)環(huán)境入侵檢測[J]. 劉金平,何捷舟,馬天雨,張五霞,唐朝暉,徐鵬飛.  電子學報. 2019(05)
[2]特征選擇穩(wěn)定性研究綜述[J]. 劉藝,曹建軍,刁興春,周星.  軟件學報. 2018(09)



本文編號：3689722