自适应分箱特征选择的快速网络入侵检测系统

摘要

针对传统入侵检测系统检测率较低、基于深度学习的入侵检测系统训练和检测时间较长的问题,提出基于信息增益的自适应分箱特征选择算法,并将此算法与LightGBM相结合,设计了一种快速网络入侵检测系统。首先对原始数据集进行预处理,将数据标准化;然后通过自适应分箱特征选择算法,去除原始数据中的冗余特征和噪声,将原始高维数据降为低维数据,从而提高系统的检测准确率并降低训练和检测时间;最后在经过特征选择的训练集上利用LightGBM进行模型训练,训练出能够检测攻击流量的入侵检测系统。通过在NSL-KDD数据集上验证,提出的特征选择算法在特征选择上仅耗时27.35 s,相比传统算法降低了约96.68%;设计的入侵检测系统在测试集上准确率高达93.32%,且训练时间较短。与现有网络入侵检测系统相比,准确率更高,模型训练速度更快。