周翔

（长江大学电子信息学院，湖北 荆州 434023）

互联网的快速发展，为生活中各种应用的接入提供了方便，计算机网络已经成为人们日常生活中不可或缺的关键部分，互联网规模不断扩大。然而互联网入侵事件并未减少，入侵对互联网的威胁越来越大，网络入侵的主要目的是窃取商业、军事等机密，从而造成数据泄露，对国家和社会造成极大危害，同时通过入侵也可发动分布式拒绝服务攻击，造成网络或者服务瘫痪。近年来网络入侵事件频繁发生，对国家信息安全造成了严重威胁，因此入侵检测成为计算机网络安全研究的重要内容。

网络入侵检测系统在过去已经得到不断发展，许多机器学习已经被用于入侵检测系统中，例如改良的SVM（支持向量机）、KNN（邻近算法）、等算法，但单独算法对入侵检测效果不佳。因此，本文提出集中基于集成学习的算法用于入侵检测，提高检测准确率。

1 相关工作

入侵检测这一概念来自于1980 年美国空军的一份技术报告[1]，入侵指对未经授权访问网络或对计算机系统构成了严重的威胁，其中包括拒绝服务攻击、蠕虫、Fuzzers、后门等。这种未经授权的网络访问被称为网络入侵。

HUSAIN 等[2]使用UNSW-NB15 数据集，提出使用XGBoost 算法构建入侵检测系统，通过与已有的随机森林、KNN、逻辑回归算法进行比较，实验结果准确率为88%，准确率不够理想。KUSUMAPUTRI 等[3]使用NSL-KDD 数据集，通过特征选择算法提取有用特征值，使用Optuna 算法对XGBoost 算法进行优化，从而构建入侵检测系统，但特征选择算法没有明显减少特征值数量。……