传统机器学习算法训练网络入侵数据集时，容易出现特征维数多、过拟合与数据集不平衡等问题，导致入侵检测算法的准确率降低以及时间效率低下。为解决上述问题，文章提出基于极端随机树的入侵检测模型，使用线性判别式分析进行数据降维，然后利用过采样减少网络入侵数据集样本类别不平衡带来的影响，最后使用极端随机树进行模型训练。实验结果表明，经过LDA降维和过采样后，使用极端随机树分类模型能够提高多分类下不平衡数据集的整体识别性能并能满足网络入侵检测实际应用的时间效率要求。
科研之友
微信
新浪微博
Facebook
分享链接
