一种基于XGBoost和LGBM的入侵检测方法、存储介质及设备技术

本发明专利技术公开了一种基于XGBoost和LGBM的入侵检测方法、存储介质及设备，方法包括步骤：获取数据集，对所述数据集进行数据预处理；根据信息增益和FCBF算法对预处理后的数据集进行特征选择；采用XGBoost和LGBM分类器对数据进行分类处理；优化XGBoost和LGBM分类器，根据分类器性能比较结果，选择性能更高的分类器进行分类结果输出。本发明专利技术通过对数据集进行数据预处理，可缓解数据集样本的不平衡问题，同时提高了数据集质量；通过对分类器不断优化，提高分类器的分类处理性能，并通过选择性能更高的分类器进行分类结果输出，能提高入侵检测的检测精度、降低入侵检测异常误报率。降低入侵检测异常误报率。降低入侵检测异常误报率。

【技术实现步骤摘要】
一种基于XGBoost和LGBM的入侵检测方法、存储介质及设备


[0001]本专利技术涉及网络安全
，具体涉及一种基于XGBoost和LGBM的入侵检测方法、存储介质及设备。

技术介绍

[0002]随着互联网在现代生活中的日益普及，大量的设备已经成为互操作的可通过网络进行交互，随之而来的就是大量的设备安全问题，因而网络空间的安全受到更多关注。入侵检测系统(IDS)用于有效检测网络上的各种恶意攻击，是维护网络空间安全的最关键系统之一。从机器学习(ML)的角度来看，IDS可以定义为旨在对网络流量进行分类的系统，一个简单的模型是二进制分类模型，用于区分正常和恶意网络流量，从而能够检测入侵流量。随着最近以ML为重点的研究进展，许多研究表明，可以设计ML算法以实现IDS。
[0003]对数据集进行预处理和分类的时候，采用机器学习的方法往往能取得更优的结果。虽然机器学习在流量异常检测领域有了一些研究成果，但是都存在一些问题：一是目前很少有研究工作提出十分有效的解决方法，来解决入侵检测问题下的样本不平衡问题；二是检测精度和误报率都无法达到产品的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于XGBoost和LGBM的入侵检测方法，其特征在于，包括步骤：获取数据集，对所述数据集进行数据预处理；根据信息增益和FCBF算法对预处理后的数据集进行特征选择；采用XGBoost和LGBM分类器对数据集的数据进行分类处理；优化XGBoost和LGBM分类器，根据分类器性能比较结果，选择性能更高的分类器进行分类结果输出。2.根据权利要求1所述的基于XGBoost和LGBM的入侵检测方法，其特征在于，所述获取数据集，对所述数据集进行预处理包括步骤：删除数据集中的空值、格式不正确的值及重复的值，使数据集中的每个值只保留一个有效数据；采用K
‑
Means聚类算法将数据集中数据分成K个聚类，并从每个聚类中随机选取数据作为实例化的子集；根据阿特曼Z
‑
score模型将数据集进行标准化处理；采用DSSTE算法对数据集进行数据平衡。3.根据权利要求2所述的基于XGBoost和LGBM的入侵检测方法，其特征在于，所述采用DSSTE算法对数据集进行数据平衡包括步骤：采用ENN算法将不平衡的训练集分为近邻集和远邻集，并且将近邻集定义为困难样本，将远邻集定义为简单样本；采用K
‑
Means聚类算法将困难样本里的多样本进行压缩，并以聚类中心替代聚类；将困难样本里的少样本进行放大，将简单样本、经过放大的困难样本及压缩后的困难样本组合形成一个新的训练集。4.根据权利要求3所述的基于XGBoost和LGBM的入侵检测方法，其特征在于，所述K
‑
Means聚类算法的超参数K由BO
‑
GP算法进行优化。5.根据权利要求1所述的基于XGBoost和LGBM的入侵检测方法，其特征在于，所述根据信息增益和FC BC算法对预处理后的数据集进行特征选择包括步骤：根据信息增益算法计算每个特征的IG值，将每个特征的IG值标准化为0
‑
1之间的值，并将所有特征的IG值进行排序，从数值大到数值小依次进行特征选择，直至到达第一阈值时停止选择，将未被选择的特征剔除；采用FCBF算法计算每两个特征的...

【专利技术属性】
技术研发人员：刘兰，吴亚峰，陈桂铭，胡峻涵，陈子力，林子萌，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：