典型文献
基于改进CatBoost的入侵检测研究
文献摘要：
针对当前传统的网络入侵检测系统存在由于数据不平衡、特征冗余而导致检测准确率低的问题,设计了一种基于改进CatBoost(Categorical Boosting)的网络入侵检测模型.该模型主要有特征选择和分类器两个模块,其步骤为首先去除数据集中无效的特征;接着进行特征提取,其实现过程融合了 CatBoost特征重要性评估方法,以此减少模型训练和检测时间;最后在经过特征选择的训练集上利用引入Focal loss作为损失函数的CatBoost进行模型训练分类.UNSW-NB15数据集上的结果表明,本文提出的入侵检测模型在验证阶段检测准确率为92.51％,且误报率为5.42％.与传统模型相比更准确,误报率更低.
文献关键词：
入侵检测;特征选择;数据不平衡;CatBoost算法;Focal loss损失函数
中图分类号：
作者姓名：
张宣琦;缪祥华
作者机构：
昆明理工大学信息工程与自动化学院 云南 昆明 650500;云南省计算机技术应用重点实验室 云南 昆明 650500
文献出处：
引用格式：
[1]张宣琦;缪祥华-.基于改进CatBoost的入侵检测研究)[J].数据通信,2022(06):28-32
A类：
B类：
CatBoost,前传,网络入侵检测系统,数据不平衡,检测准确率,Categorical,Boosting,入侵检测模型,特征选择,分类器,先去,除数,实现过程,过程融合,特征重要性,重要性评估,模型训练,检测时间,训练集,Focal,loss,损失函数,UNSW,NB15,误报率,传统模型
AB值：
0.38912
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
