基于反向学习RIME优化的双层集成学习入侵检测算法

摘要

针对网络流量数据集中存在大量冗余和不相关的数据、传统的检测模型只擅长检测特定类别攻击而表现出性能较差等问题，为了能够更好地降低高维数据对入侵检测模型的影响，提高识别恶意流量类别的准确率，提出了一种反向学习雾凇优化(rime optimization algorithm, RIME)的双层集成学习入侵检测算法。对RIME算法进行改进，提取网络流量最优特征子集，并提出双层集成学习模型，实现网络入侵行为检测和分类。在CIC-IDS2017和CSE-CIC-IDS2018数据集进行实验仿真，结果表明，该模型在准确率和少数类识别上具有更好的性能，不仅能够降低特征的维度，还能识别出异常流量的攻击类别，为网络安全决策提供帮助。

关键词

元启发算法 / 入侵检测 / 特征选择 / 集成学习