刘景美，高源伯

(西安电子科技大学 综合业务网理论及关键技术国家重点实验室，陕西 西安 710071)

近来年，随着大数据、工业互联网、物联网等新型技术的发展，安全威胁和网络攻击也随之增多，网络安全面临着新的挑战，安全形势严峻[1]。因此，设计一套能够准确高效识别各种网络攻击的网络入侵检测系统，已成为现如今亟待解决的一个问题。

为提高网络入侵检测的准确率，研究者们在机器学习、深度学习中探索新的算法并将其应用于此[2-6]。然而，这些算法普遍存在训练时间和检测时间较长的问题，针对这一问题，很多研究者利用特征选择[7-14]，将原始高维数据降为低维数据，从而减少训练和检测的时间。

文献[15]设计了一种基于多目标优化与logistic回归的封装器，有效提高了准确率，然而，这种算法以logistic回归模型的预测结果为优化目标，每一轮都需要重新训练模型，算法时间复杂度较高，时间较长。文献[16]利用基于信息增益的过滤器与深度学习模型设计的入侵检测系统，准确率相对较高，但是，在特征选择方面，由于入侵检测数据集同时存在连续型和离散型数据，且数据分布不均匀，采用基于信息增益的过滤器算法运行时间相对较长。针对这一问题，笔者提出了一种基于信息增益的自适应分箱特征选择算法，对入侵检测数据集中的连续型数据进行自适应分箱处理，从而降低计算复杂度，提高特征选择阶段的效率。

将提出的自适应分箱特征选择算法与LightGBM集成学习模型相结合，设计了一种快速网络入侵检测系统，在保证较高准确率的条件下大大降低了模型训练和入侵检测的时间。……