基于改进XGBoost和自适应优化K-means模型的网络攻击入侵检测方法

    公开(公告)号:CN116599684A

    公开(公告)日:2023-08-15

    申请号:CN202211611677.X

    申请日:2023-06-25

    Applicant: 广州大学

    Abstract: 本发明公开了一种基于机器学习的网络攻击入侵的检测方法,包括:XGBoost入侵检测模型构建,初始化XGBoost基本参数和模拟退火算法所需参数。计算当前准确率Accnow并对XGBoost参数进行正负向随机扰动产生新参数并计算对应的新的准确率Accnew。依据Metropolis准则决定是否接受新的参数。重复执行上述步骤直到温度冷却到最低点。利用最优参数对应的XGBoost对验证集做入侵检测,将判定为攻击的所有“粗分类”结果传输到改进的K‑means模型。初始化k值为3并利用K‑means结合训练集中的所有真正的攻击样本与验证集中被XGBoost“粗分类”的攻击样本进行聚类分析。记录聚类分析召回的良性样本数量R。不断增大k值再次进行聚类分析并记录良性召回数R,直到R值不再增加则确定k值并记录中心点和历史最大距离。

Patent Agency Ranking