杨 涛，叶西宁

(华东理工大学 信息科学与工程学院，上海 200237)

0 引 言

随着网络化的不断发展，网络安全变得越来越重要。目前以误用检测[1,2]和异常检测[3-6]为代表的入侵检测方法普遍存在检测率低、误报率高和特征提取率低等不足。为提高入侵检测系统的性能，使其能够利用不断更新的网络数据进行自学习，从而适应新的网络环境，基于机器学习的智能入侵检测系统被提出。

集成分类器[7]是一种组合学习算法，相比单分类器具有更好的泛化能力和对失衡数据集的处理能力，因而成为入侵检测算法的热点研究方向。目前，基于集成学习的入侵检测算法主要采用Adaboost和随机森林两种集成方式，但这两种集成方式存在基分类器强度不足或集成多样性受限问题。在文献[8,9]中提出的基于Adaboost的入侵检测算法，随着集成规模的增加会产生大量坏的基分类器，从而使得集成性能下降；文献[10-12]提出的基于随机森林的入侵检测算法随着集成规模的增长会产生大量冗余基分类器，无法进一步提升集成性能。

鉴于以上原因，本文提出SPCA-ERoF算法用于网络入侵检测。利用SPCA替换传统旋转森林中的PCA旋转作用，提升旋转后数据的可分性；利用增强型旋转森林提升集成模型的多样性和基分类器的强度，从而改善网络入侵检测算法的性能。并结合SMOTE采样，降低数据的不平衡度，进一步提升检测算法的整体性能。

1 监督型主成分分析(SPCA)

主成分分析[13](principal component analysis，PCA)是机器学习领域常见的一种特征提取方法，主要用于数据降维。……