肖展鹏，袁宇昂，杨淳，翟士洋，肖迎元

（天津理工大学计算机科学与工程学院，天津 300384）

0 引言

如今网络应用正在不断地发展，随着越来越多创新性的应用模式和需求的涌现[1]，互联网纵深方向飞速发展的同时也呈现出诸多安全问题。因此，网络管理者通过对网络流量进行准确的安全性检测可以及时有效地发觉网络异常，从而为阻断网络异常行为提供决策依据，并为网络安全的管控提供技术支持和保障[2]。机器学习是人工智能研究领域的核心课题之一，具有深刻的理论内蕴，广大应用领域获取和处理知识的重要技术来源[3]。将机器学习分类算法应用在网络数据流异常检测上，不仅为网络数据流异常检测提供了新的方向，同时也促进了更多机器学习算法的更新与运用[4]。

1 NSL-KDD数据集介绍

Tavallaee等研究人员于2009年针对KDD99数据集[5]，提出了一个改进版本，并名为NSL-KDD[6]。它仍然基于KDD99中提供的特征，并使用了更为可靠的数据集样本，解决了KDD99中存在的一些历史遗留问题。首先，训练集和测试集中都不再包含重复冗余的流量记录，因此分类器在训练的时候不会对重复出现的记录更加重视，在评估分类器表现的时候不会出现重复的记录。其次，训练集与测试集中的分部更为合理，这样就能减少数据预处理的工作量，与此同时分类器的评估结果将具有可比性和一致性[7]。NSL-KDD数据集中每一个数据样本（即一个网络连接）用41个特征以及一个标签来描述[8]，图1展示的是一些数据样例。……