一种基于SSA-BRF的网络入侵检测方法

doi:10.3969/j.issn.1000-1565.2022.05.014

河北大学学报(自然科学版) ›› 2022, Vol. 42 ›› Issue (5): 552-560.DOI: 10.3969/j.issn.1000-1565.2022.05.014

• • 上一篇

一种基于SSA-BRF的网络入侵检测方法

魏明军^1,2,张鑫楠¹,刘亚志^1,2,周太宇¹

收稿日期:2022-03-02 出版日期:2022-09-25 发布日期:2022-10-19
通讯作者: 张鑫楠(1996—)
作者简介:魏明军(1969—),男,河北唐山人,华北理工大学教授,主要从事计算机网络安全方向研究.
E-mail:109849249@qq.com
基金资助:
唐山市科技创新团队培养计划项目(18130201b)

A network intrusion detection method based on SSA-BRF

WEI Mingjun^1,2, ZHANG Xinnan¹, LIU Yazhi^1,2, ZHOU Taiyu¹

1.College of Artificial Intelligence, North China University of Science and Technology, Tangshan 063210, China; 2.Hebei Provincial Key Laboratory of Industrial Intelligent Perception, North China University of Science and Technology, Tangshan 063210, China

Received:2022-03-02 Online:2022-09-25 Published:2022-10-19

摘要/Abstract

摘要： 针对随机森林(random forest,RF)超参数的选择会对RF的分类结果产生较大影响的问题,提出一种基于麻雀搜索算法(sparrow search algorithm,SSA)的RF超参数寻优方法,利用该方法帮助RF寻找一组优秀的超参数.并针对RF较难准确识别出少数类数据的问题,利用平衡随机森林(balanced random forest,BRF)来提高模型对少数类的召回率.综合SSA和BRF构建SSA-BRF模型,并在CIC-IDS-2017数据集对模型的分类效果进行验证.实验结果表明,SSA-BRF相较于RF在准确率、宏召回率和宏F1分数上分别提升了9.57%、26.62%和0.17,该模型在一定程度上可以提高网络入侵检测系统的性能.

关键词: 麻雀搜索算法, 超参数寻优, 平衡随机森林, 不平衡数据分类, CIC-IDS-2017

Abstract: In order to solve the problem that the selection of hyper-parameters of random forest(RF)will have a great impact on the classification results of RF, an optimization method of RF hyper-parameters based on sparrow search algorithm(SSA)is proposed to help RF find a set of excellent hyper-parameters. Balanced random forest(BRF)is used to solve the problem that RF is difficult to accurately identify minority data, so as to improve the recall rate of the model for minority data. Finally, SSA-BRF model is constructed by integrating SSA and BRF, and the classification effect of the model is verified in CIC-IDS-2017 data set. Experimental results show that compared with RF, the accuracy, macro recall and macro F1 score of SSA-BRF are improved by 9.57%, 26.62% and 0.17 respectively. This model can improve the performance of network intrusion detection system to a certain extent.

Key words: sparrow search algorithm, hyperparameter optimization, balanced random forest, imbalanced data classification, CIC-IDS-2017

中图分类号:

TP393.08

魏明军,张鑫楠,刘亚志,周太宇. 一种基于SSA-BRF的网络入侵检测方法[J]. 河北大学学报(自然科学版), 2022, 42(5): 552-560.

WEI Mingjun, ZHANG Xinnan, LIU Yazhi, ZHOU Taiyu. A network intrusion detection method based on SSA-BRF[J]. Journal of Hebei University(Natural Science Edition), 2022, 42(5): 552-560.

参考文献

[1] OSADA G, OMOTE K, NISHIDE T. Network intrusion detection based on semi-supervised variational auto-encoder[C] //Proceedings of the 2017 European Symposium on Research in Computer Security. Berlin: Springer, 2017: 344-361.
[2] 温博文,董文瀚,解武杰,等.基于改进网格搜索算法的随机森林参数优化[J].计算机工程与应用, 2018, 54(10): 154-157.
[3] AMBIKAVATHI C, S. K. S. Tuning random forest parameters using simulated annealing for intrusion detection[J]. International Journal of Innovative Technology and Exploring Engineering(IJITEE), 2020, 9(9): 353-358.
[4] 柯钢.改进粒子群算法优化支持向量机的入侵检测方法[J].合肥工业大学学报(自然科学版), 2019, 42(10): 1341-1345.
[5] ZHANG H P, HUANG L L, WU C Q, et al.An effective convolutional neural network based on SMOTE and gaussian mixture model for intrusion detection in imbalanced dataset[J].Computer Networks, 2020, 177: 107315.
[6] JIANG K Y, WANG W Y, WANG A L, et al.Network intrusion detection combined hybrid sampling with deep hierarchical network[J].IEEE Access, 2020, 8: 32464-32476.
[7] PHYO T T K, HTWE P P W, KHIN N N T.New intrusion detection framework using cost sensitive classifier and features[J].International Journal of Wireless and Microwave Technologies(IJWMT), 2022, 1: 22-29.
[8] MULYANTO M, FAISAL M, PRAKOSA S W, et al.Effectiveness of focal loss for minority classification in network intrusion detection systems[J].Symmetry, 2020, 13(1): 4.DOI:10.3390/sym13020004.
[9] 曹扬晨,朱国胜,祁小云,等.基于随机森林的入侵检测分类研究[J].计算机科学,2021, 48(S1): 459-463.
[10] CHEN C, LIAW A, BREIMAN L. Using random forest to learn imbalanced data[J]. University of California, Berkeley, 2004, 110(24): 1-12.
[11] XUE J K, SHEN B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems ence & Control Engineering An Open Access Journal, 2020, 8(1): 22-34.
[12] TAVALLAEE M, BAGHERI E, LU W, et al. A detailed analysis of the KDD CUP 99 data set[C] //2009 IEEE Symposium on Computational Intelligence for Security and Defense Applications, IEEE, 2009: 1-6. DOI:10.1109/CISDA.2009.5356528.
[13] MOUSTAFA N, SLAY J. UNSW-NB15: a comprehensive data set for network intrusion detection systems(UNSW-NB15 network data set)[C] //2015 Military Communications and Information Systems Conference(MilCIS), IEEE, 2015: 1-6. DOI:10.1109/MilCIS2015.7348942.
[14] SHARAFALDIN I, LASHKARI A H, GHORBANI A A. Toward generating a new intrusion detection dataset and intrusion traffic characterization[C] //4th International Conference on Information Systems Security and Privacy, Portugal: ICISSP Press, 2018: 108-116. DOI:10.5220/0006639801080116.
[15] 杨圣哲.面向不平衡数据的网络入侵检测方法研究[D].北京:北京交通大学, 2021.
[16] 孙一恒.基于改进深度森林的入侵检测方法研究[D].武汉:湖北工业大学, 2020.
[17] 陈成.小样本纠错的混合入侵检测分类器研究[D].广州:广东工业大学, 2020.
[18] 冯杰.基于卷积神经网络的网络入侵检测算法研究[D].太原:山西大学, 2020.
[19] 卢琼.基于深度学习的网络攻击检测技术的研究[D].北京:华北电力大学, 2020. (

一种基于SSA-BRF的网络入侵检测方法

A network intrusion detection method based on SSA-BRF

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	马国富,王子贤,马胜利. 机器学习模型在预测服刑人员再犯罪危险性中的效用分析[J]. 河北大学学报(自然科学版), 2017, 37(4): 426-433.
[2]	马国富,王子贤,马胜利. 基于大数据的服刑人员危险性预测[J]. 河北大学学报(自然科学版), 2016, 36(6): 657-666.
[3]	马国富,马胜利,王子贤,李双印,程雨丝. 数据恢复在电子数据取证与司法鉴定中的应用[J]. 河北大学学报(自然科学版), 2015, 35(5): 538-545.
[4]	肖仙谦,朱俊平,景旭,马巧娥. 基于贝叶斯方法的单分类入侵检测技术[J]. 河北大学学报(自然科学版), 2014, 34(1): 7-13.
[5]	马国富,王子贤,王揆鹏. 基于证据链的电子司法鉴定模型[J]. 河北大学学报(自然科学版), 2013, 33(3): 317-323.
[6]	王雷,王芳,么炜,程洪,李志平. 基于模糊决策树的入侵检测规则生成技术[J]. 河北大学学报(自然科学版), 2008, 28(4): 438-442.
[7]	刘玉玲,杜瑞忠. 基于模糊积分的多神经网络融合在入侵检测中的应用[J]. 河北大学学报(自然科学版), 2008, 28(3): 312-317.
[8]	马国富,张喆,张东,张洪义. Web数字取证系统的研究与实现[J]. 河北大学学报(自然科学版), 2008, 28(3): 327-330.
[9]	张寿华,伊开,王振夺,任志利,刘振鹏. 计算机免疫系统 GECISM 中识别规则的挖掘[J]. 河北大学学报(自然科学版), 2007, 27(2): 204-208.
[10]	王雷,王培,高雅君,胡陈丽. 基于P2P的多机通信机制及负载平衡的设计[J]. 河北大学学报(自然科学版), 2007, 27(1): 107-112.
[11]	吴梅梅,王凤先,李仁玲,赵爽,谢博鋆. 计算机免疫中基于移动代理的规则提取与规则库构造[J]. 河北大学学报(自然科学版), 2006, 26(4): 443-448.
[12]	王爱民,张堃,赵晓南. CDMA网络中无线接入预测模型研究[J]. 河北大学学报(自然科学版), 2005, 25(3): 332-337.
[13]	周特,刘振鹏,刘迅芳,张寿华. 基于用户行为的Non-self集的构造方法[J]. 河北大学学报(自然科学版), 2004, 24(4): 434-437.
[14]	常胜,刘振鹏,王凤先,杜瑞忠. GECISM-- 一种通用的计算机免疫系统模型[J]. 河北大学学报(自然科学版), 2003, 23(4): 425-429.
[15]	戚元星,崔双喜. 集成学习在电网假数据入侵检测中的应用[J]. 河北大学学报(自然科学版), 2022, 42(1): 105-112.