基于 ADASYN-随机森林的入侵检测模型
密码学与安全
2022-04-15 v6 机器学习
摘要
入侵检测一直是网络安全领域的关键课题，当今常见的网络威胁具有多样性和多变性的特点。考虑到入侵检测数据集的严重不平衡会导致对小样本量攻击行为的分类性能低下，且难以准确高效地检测网络攻击，本文提出使用自适应合成采样 (ADASYN) 方法来平衡数据集。此外，采用随机森林 (Random Forest) 算法训练入侵检测分类器。通过在 CICIDS 2017 数据集上的入侵检测对比实验发现，ADASYN 结合随机森林表现更优。基于实验结果，进一步分析了 ADASYN 后精确率、召回率、F1 分数和 AUC 值的提升。实验表明，所提方法可应用于大数据的入侵检测，并能有效提高网络攻击行为的分类准确率。相比传统机器学习模型，其具有更好的性能、泛化能力和鲁棒性。
引用
@article{arxiv.2105.04301,
title = {ADASYN-Random Forest Based Intrusion Detection Model},
author = {Zhewei Chen and Wenwen Yu and Linyue Zhou},
journal= {arXiv preprint arXiv:2105.04301},
year = {2022}
}
备注
Accepted by SPML 2021