安 磊，韩忠华，2，林 硕，尚文利

1.沈阳建筑大学 信息与控制工程学院，沈阳110168

2.中国科学院 沈阳自动化研究所 数字工厂研究室，沈阳110016

3.中国科学院 沈阳自动化研究所 工业控制网络与系统研究室，沈阳110016

4.中国科学院 网络化控制系统重点实验室，沈阳110016

5.中国科学院 机器人与智能制造创新研究院，沈阳110016

随着大数据时代的来临，网络数据呈现出数据量大、维度高且不平衡的特性，在进行入侵检测前，对数据进行不平衡处理和特征降维至关重要[1-4]。目前已有众多学者对基于机器学习的入侵检测方法进行了大量研究，文献[5]提出了基于随机森林的高维不平衡数据分类方法研究，利用生成少数类样本方法（Synthetic Minority Over-sampling Technique，SMOTE）降低数据集的不平衡度来提高少数类的检测率；文献[6]提出了基于卷积神经网络（Convolutional Neural Networks，CNN）和支持向量机（Support Vector Machine，SVM）的报文入侵检测方法，此方法学习速度较快，泛化性能好但面对海量样本时检测速度较慢；文献[7]提出了基于PCA-LSTM（Principal Components Analysis-Long Short Term Memory）的入侵检测方法，此方法在处理小样本数据集时检测准确率较高，面对大量样本时性能较差；文献[8]采用基于欠采样的随机森林算法用于文本分类，在不平衡数据分类上提高了准确率和效率；文献[9]提出一种针对不平衡数据的过采样和随机森林改进算法，通过过抽样法增加少数类的识别率。文献[10]在N-Nakagami信道的基础上，提出了基于BP神经网络的移动安全性能智能预测方法，该方法的预测性能更好。

尽管上述入侵检测方法取得较好的效果，但是现有的研究都是通过采用随机过采样，随机欠采样和SMOTE解决数据的不平衡问题。……