基于SMOTE和机器学习的网络入侵检测

作者：张阳; 张涛; 陈锦; 王禹; 邹琪网络入侵检测smote算法机器学习数据再平衡

摘要：网络入侵检测已经广泛运用机器学习模型,但是研究者们多关注模型选择和参数优化,很 少考虑数据不平衡的影响,往往会导致少数类入侵样本的检测效果较差.针对该问题,以SMOTE (synthetic minority oversampling technique)数据再平衡算法为研究重点,应用入侵检测数据集 KDD99作为原始训练集,使用简单抽样和SMOTE算法生成再平衡训练集.采用多种机器学习模型分别在 原始训练集和再平衡训练集进行5折交叉验证.实验结果表明,与原始训练集相比,使用再平衡训练集 建模能够在不降低甚至提高多数类样本识别效果前提下,使少数类样本的识别准确率和召回率增强 10%~20%.因此,SMOTE算法对不平衡样本下的网络入侵检测有显著的提升作用.

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社