软件学报

作者：周杰英，贺鹏飞，邱荣发，陈国，吴维刚

单位：周杰英，中山大学 数据科学与计算机学院, 广东 广州 51000611,贺鹏飞，中山大学 数据科学与计算机学院, 广东 广州 51000602,邱荣发，中山大学 数据科学与计算机学院, 广东 广州 51000603,陈国，中山大学 数据科学与计算机学院, 广东 广州 51000604,吴维刚，中山大学 数据科学与计算机学院, 广东 广州 51000605

关键词：网络入侵检测;数据不平衡;随机森林;梯度提升树;UNSW-NB15数据集

基金：国家重点研发计划（2018YFB0203803）；国家自然科学基金（U1711263，U1801266）；广东省自然科学基金（2018A030313492，2018B030312002）

网络入侵检测系统作为一种保护网络免受攻击的安全防御技术，在保障计算机系统和网络安全领域起着非常重要的作用.针对网络入侵检测中数据不平衡的多分类问题，机器学习已被广泛用于入侵检测，比传统方法更智能、更准确.对现有的网络入侵检测多分类方法进行了改进研究，提出了一种融合随机森林模型进行特征转换、使用梯度提升决策树模型进行分类的入侵检测模型RF-GBDT，该模型主要分为特征选择、特征转换和分类器这3个部分.采用UNSW-NB15数据集对RF-GBDT模型进行了实验测试，与其他3种同领域的算法相比，RF-GBDT既缩短了训练时间，又具有较高的检测率和较低的误报率，在测试数据集上受试者工作特征曲线下的面积可达98.57%.RF-GBDT对于解决网络入侵检测数据不平衡的多分类问题具有较显著的优势，是一种切实可行的入侵检测方法.

来源：2021年第10期

《软件学报》期刊编辑部

查看软件学报杂志2021年第10期