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
文檔大小：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，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)行實驗分析,。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。