融合SMOTE-Tomek Link与集成模型的入侵检测方法

来源：计算机技术与发展杂志2024年第07期北京时间：

作者：李润杰;张小庆*;刘昌华

摘要：随着全球互联网的快速扩张和网络安全威胁日益复杂化,开发高效稳定的入侵检测系统成为了网络安全领域中的重要研究任务。该文的重点在于解决入侵检测数据集普遍存在的两个难题:一是由于正常与异常网络行为样本数量差异引起的类别不均衡;二是由于数据集中冗余和无效特征过多导致的高维度问题。为此,运用集成学习思想,融合SOMTE-Tomek Link综合采样算法与3个同质模型,提出针对非平衡数据集的加权投票法集成模型。先利用SOMTE-Tomek Link综合采样算法对非平衡数据进行预处理,再利用随机森林排列重要性度量算法对数据集进行有效特征选择,以降低模型检测失误率与计算开销。将多个机器学习模型和所提集成模型进行对比实验评估。实验结果表明,集成模型准确率达到97.84%,比单一模型可提高1~4百分点,在少样本攻击分类的准确率、精确率、召回率和F1分数上有大幅提升,且模型训练效率更高,稳定性更强。

关键词：入侵检测;采样算法;特征选择;集成学习;网络安全