基于集成学习的网络入侵检测技术

随着计算机网络的大规模应用,网络入侵检测问题给工业部门、高校和运营商带来了巨大挑战,面对日益增长的网络入侵威胁,传统单一的机器学习算法在网络入侵检测领域的应用检测效果不佳,如何高效地从网络中识别入侵流量显得尤为重要。提出了一种基于BO-DEXL(Bayesian Optimization-DT-ET-XGboost-LightGBM)的集成学习算法的入侵检测算法,将开源的UNSW-NB15作为入侵检测数据集,使用标签编码对数据集进行预处理,然后利用基于随机森林的特征值选择算法,对特征重要度进行排序,选中前35个特征值作为数据,通过贝叶斯优化对集成学习中各个模型进行优化,准确率达到95.18%。