改进多层分类策略的随机森林网络入侵检测方法

在当前网络入侵检测方法研究中,存在样本数据不平衡的问题,小样本数据(异常数据)过少是检测准确率低的重要原因,现有方法对小样本数据存在检测率低的问题.为了解决该问题,提出一种改进多层分类策略的随机森林网络入侵检测算法,该算法使用随机森林作为基本单元构建多层模型.首先,在不同层划分出不同的超类,在划分超类前,利用聚类质心技术对数据进行欠采样并用以平衡样本数据;其次,每一层使用不同的特征选择算法,使每一层的样本划分都能够匹配最适合的特征子集;最后,将超类划分后,递归地将超类继续划分为更小的类别,不断迭代直到所有小类别被划分完毕.在NSL-KDD数据集上的实验表明:该算法能够解决样本数据不平衡的问题,提升对小样本数据检测的准确率,是一种可行的算法.