基于BOA-DF-LightGBM的入侵检测方法

来源：计算机测量与控制杂志2024年第12期北京时间：

作者：蒋子昂,朱志亮,翁德华,伍默然,叶南

单位：温州大学

摘要：入侵检测模型在训练时经常面临数据不平衡问题，即其中正常行为的样本数量远远超过异常入侵行为的样本数量；为解决数据不平衡问题，将深度森林和LightGBM结合作为入侵检测模型，其中通过深度森林中的多粒度扫描生成更丰富的特征作为LightGBM的输入，从而提升分类器的性能。并且深度森林生成的特征表示可以提高少数类样本的可分性，配合 LightGBM 的权重调整机制，可以更好地处理不平衡数据问题，并通过全局搜索能力强大的棕熊优化算法对模型进行参数调优进一步提升模型的预测准确度；经UNSW_NB15数据集验证所提方法，BOA-DF-LightGBM模型较其他模型指标更为优异，预测准确率达到95.15%，较DF提升了近2%；为进一步验证其对数据不平衡问题的能力，通过更严苛的数据不平衡实验得出，BOA-DF-LightGBM模型在数据不平衡实验中的准确率为94.23%，较DF提升了2.68%，较神经网络模型提升了3.42%；验证了BOA-DF-LightGBM在数据不平衡情况下的有效性和优异性。

关键词：入侵检测;集成学习;棕熊优化算法;深度森林

基金资助：温州市科研项目(ZF2022003)