基于遺傳算法和LightGBM的網(wǎng)絡(luò)安全態(tài)勢感知模型
所屬分類：技術(shù)論文
上傳者：wwei
文檔大?。?span>1599 K
標(biāo)簽： 異常檢測 機(jī)器學(xué)習(xí) 遺傳算法
所需積分：0分積分不夠怎么辦？
文檔介紹：針對傳統(tǒng)煙草工業(yè)系統(tǒng)中的網(wǎng)絡(luò)流量異常檢測方法存在的特征間聯(lián)系和上下文信息丟失等問題，提出了一種基于遺傳算法改進(jìn)的LightGBM模型，此模型能夠使得模型避免陷入局部最優(yōu)情況。首先通過計(jì)算構(gòu)建樹模型對數(shù)據(jù)降維，從高維數(shù)據(jù)中挖掘出對于檢測效果影響重要的關(guān)鍵特征信息，并使用提出的模型對這些關(guān)鍵特征信息進(jìn)行分析。為了評估模型的有效性與優(yōu)越性，使用準(zhǔn)確率和損失進(jìn)行模型評價(jià)，并與其他網(wǎng)絡(luò)流量異常檢測模型Tabular model、TabNet、LightGBM、XGBoost進(jìn)行對比。使用公開數(shù)據(jù)集 CICIDS2018 進(jìn)行實(shí)驗(yàn)分析。結(jié)果表明，在高特征的網(wǎng)絡(luò)安全態(tài)勢感知下，多分類和二分類的識別準(zhǔn)確率分別達(dá)9943%和9987%，在低特征情況下，多分類和二分類的識別準(zhǔn)確率分別達(dá)9873%和9939%，具有較高準(zhǔn)確率以及良好的靈活性和魯棒性。
現(xiàn)在下載
VIP會員，AET專家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。