摘要: 随着网络安全环境的日益复杂，传统的入侵检测系统的劣势也愈加凸显。针对这种情况，机器学习方法与入侵检测相结合的研究应运而生。但是我们通过梳理这些研究文献发现，并不是所有研究方法的应用效果都那么完美。一些基础性的分类器如贝叶斯、决策树... 展开 随着网络安全环境的日益复杂，传统的入侵检测系统的劣势也愈加凸显。针对这种情况，机器学习方法与入侵检测相结合的研究应运而生。但是我们通过梳理这些研究文献发现，并不是所有研究方法的应用效果都那么完美。一些基础性的分类器如贝叶斯、决策树等对大样本攻击类别的识别率并不是很高。而其他相对复杂一些的模型如基于神经网络、深度学习的研究方法虽然提升了多数类样本分类的正确率，但在少数类样本中却表现得不尽如人意。那么能不能找到一种模型即顾全大样本攻击类的性能，又可以提升小样本类的分类正确率呢。 本文提出了用集成学习的方法来构建入侵检测模型，并通过特征选择方法来辅助提升模型性能的设想。首先为满足既保证对大样本类分类较高正确率又能提升小样本分类正确率的要求，结合集成学习的相关知识，选择Stacking算法作为整体学习框架。然后通过各分类模型对本实验所用数据集的处理，本文最终选择随机树和贝叶斯置信网络作为个体学习器。把随机树分类器用Random Committee算法进行初次集成，将初次集成后的模型作为Stacking集成学习框架的初级学习器，贝叶斯置信网络作为次级学习器进行第二次集成。结合特征选择相关知识使用合适的特征约简算法对经过预处理的数据集进行特征约简，并将特征约简后的数据集送入集成学习框架进行训练。 我们通过实验仿真对本文提出的入侵检测模型的相应性能进行了验证。首先用该模型及该模型的各级基分类器对本文所用实验数据集进行了处理，通过实验结果的对比，发现集成学习能够在基本不损失大样本攻击类分类效果的前提下，有效提升小样本类分类的正确率。然后使用所选特征选择算法对数据集进行了特征约简，通过我们的集成学习模型对其进行处理，通过实验结果的对比，我们发现该特征选择算法能够帮助模型提升对小样本攻击类的分类准确率。通过两步验证，本文提出的模型是可行的。 收起