江泽涛 马伟康

(桂林电子科技大学广西图像图形与智能处理重点实验室 广西 桂林 541004)

0 引 言

网络的快速发展带来了巨大的便利，同时也带来了一系列安全问题，如何提高网络的主动防御能力、增强网络的安全性成为了研究热点。入侵检测[1]的概念于1980年就已经被提出。随后便出现了入侵检测系统[2]，并成为了网络安全中的一道重要防线。

机器学习的出现使得网络安全得到了极大的发展。机器学习中的分类算法能够应用到入侵检测[3-5]当中，识别“正常”和“非正常”信息，将机器学习引入到入侵检测当中极大地推动了入侵检测系统的研究。由于网络需要及时响应的特点，因此必须要提高入侵检测算法的准确度和效率。文献[6]使用SMOTE对数据进行平衡处理，之后在处理后的数据上使用GBDT算法进行分类。文献[7]利用不同的离散化与特征选择算法生成具有差异的多个最优特征子集,并对每个特征子集进行归一化处理,用分类算法对提取后的特征进行学习建模。文献[8]提出模型决策树，该方法具备一定的抗过拟合能力，但在处理缺失数据时存在一定的困难。文献[9]是针对一种新颖的攻击方法，该攻击方法是篡改训练数据，导致支持向量机在建模过程中学习到了错误的数据，使得入侵检测系统的检测率降低，通过获取该攻击样本，提出使用支持向量机解决该类型攻击。文献[10]提出了一种将K-means和随机森林结合的方法，首先对数据进行预处理，再对处理后的数据使用K-means方法进行聚类操作，最后使用随机森林对数据进行分类操作，在一定程度上提高了准确率并且减少了训练时间。……