计算机工程与科学

作者：陈俊彦, 卢贤涛, 黄雪锋, 卢小烨, 廖岑卉珊

单位：（桂林电子科技大学计算机与信息安全学院，广西 桂林 541004）

关键词：入侵检测,异质集成学习,特征降维,成对多样性度量,

基金：广西区自然科学基金（2020GXNSFDA238001）；广西高校中青年教师科研基础能力提升项目（2020KY05033）

入侵检测是网络安全领域中具有挑战性的重要任务。单个分类器可能会带来分类偏差，使用集成学习相较单分类器，具有更强的泛化能力及更高的精确率，但调整各基分类器的权重需要大量的时间。基于此问题，提出了一种基于Bagging特征降维和基于Bagging异质集成入侵检测分类算法（Double- Bagging）的特征降维异质集成入侵检测算法。该算法通过集成5个特征选择算法，采用Bagging投票机制选出最优特征子集，实现高效准确的特征降维。同时，引入集成学习中的成对多样性度量，从不同基分类器组合中选出最优异质集成集合。对于赋权函数综合使用精确率和AOC值作为权重对分类器进行集成。实验结果表明，所提算法精确率高达99.94%，系统错误率及正判率分别为0.03%和99.55%，均优于现有主流入侵检测算法的。

来源：2023年第6期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2023年第6期