基于Xgboost算法的网络入侵检测研究

doi:10.3969/j.issn.1671-1122.2018.09.016

信息网络安全 ›› 2018, Vol. 18 ›› Issue (9): 102-105.doi: 10.3969/j.issn.1671-1122.2018.09.016

基于Xgboost算法的网络入侵检测研究

张阳, 姚原岗

中国信息安全测评中心,北京 100085

收稿日期:2018-07-17 出版日期:2018-09-30 发布日期:2020-05-11
作者简介:
作者简介：张阳（1994—）,男,河南,助理研究员,硕士,主要研究方向为人工智能、机器学习和网络安全;姚原岗（1983—）,男,山东,副研究员,博士,主要研究方向为安全数据分析。
基金资助:
国家自然科学联合基金 [U1536118]

Research on Network Intrusion Detection Based on Xgboost

Yang ZHANG, Yuangang YAO

China Information Technology Security Evaluation Center, Beijing 100085 China

Received:2018-07-17 Online:2018-09-30 Published:2020-05-11

摘要/Abstract

摘要：

机器学习在网络入侵检测中的应用已经受到各界广泛关注,应用的算法主要是决策树、随机森林、logit、KNN等机器学习模型,这些算法发布时间较长、应用成熟、发掘潜力有限。Xgboost算法推出时间相对较晚,在网络入侵检测中的研究较少。文章以此为研究对象,基于入侵检测数据集KDD 99,使用logit、KNN、决策树、随机森林、Xgboost等机器学习模型分别进行5折交叉验证,计算和比较这些算法的识别效果。试验结果表明,同已有的机器学习算法相比,Xgboost算法在各种入侵检测中均有优异的表现,算法在网络入侵检测领域有较大的发展空间。

关键词: Xgboost, 机器学习, 入侵检测

Abstract:

The application of machine learning in network intrusion detection has attracted wide attention, and the main algorithms used are decision tree, random forest, logistic regression, KNN (K-Nearest Neighbor) and other machine learning models. These algorithms are long published, mature and have limited potential. Xgboost (eXtreme Gradient Boosting) algorithm is relatively new, and has less research in network intrusion detection. Based on intrusion detection data set KDD 99, this paper uses logit, KNN, decision tree, random forest and Xgboost to perform 5 fold cross validation, calculates and compares recognition effects of these algorithms. The test results show that Xgboost algorithm has excellent performance in intrusion detection compared with the existing machine learning algorithms, and has a large space for development in the field of network intrusion detection.

Key words: Xgboost, machine learning, intrusion detection

中图分类号:

TP309

张阳, 姚原岗. 基于Xgboost算法的网络入侵检测研究[J]. 信息网络安全, 2018, 18(9): 102-105.

Yang ZHANG, Yuangang YAO. Research on Network Intrusion Detection Based on Xgboost[J]. Netinfo Security, 2018, 18(9): 102-105.

图/表 3

参考文献 12

[1]	ZHANG Yirong, XIAO Shunping, XIAN Ming, et al.An Overview of Intrusion Detection Technology Based on Machine Learning[J]. Computer Engineering and Application, 2006, 42(2):7-10.
	张义荣, 肖顺平, 鲜明,等. 基于机器学习的入侵检测技术概述[J]. 计算机工程与应用, 2006, 42(2):7-10.
[2]	SHI Tingting, ZHAO Youjian.Overviews of Network Intrusion Evasion and Defense Techniques[J].Netinfo Security, 2016 ,16(1) : 70-74.
	史婷婷, 赵有健. 网络入侵逃逸及其防御和检测技术综述[J]. 信息网络安全, 2016,16(1):70-74.
[3]	PIETRASZEK T, TANNER A.Data Mining and Machine Learning-towards Reducing False Positives in Intrusion Detection[J].Information Security Technical Report, 2005, 10(3):169-183.
[4]	QI Mingyu, LIU Ming, FU Yanming .Research on Network Intrusion Detection Using Support Vector Machines Based on Principal Component Analysis[J]. Netinfo Security, 2015,15(2):15-18.
	戚名钰, 刘铭, 傅彦铭. 基于PCA的SVM网络入侵检测研究[J]. 信息网络安全, 2015,15(2):15-18.
[5]	WU Qingtao, SHAO Zhiqing.Review of Intrusion Detection Research[J]. Computer Application Research, 2005, 22(12):11-14.
	吴庆涛, 邵志清. 入侵检测研究综述[J]. 计算机应用研究, 2005, 22(12):11-14.
[6]	HU Changzhen.Theory and Technology of Network Intrusion Detection [M]. Beijing: Beijing Institute of Technology Press, 2010.
	胡昌振. 网络入侵检测原理与技术[M]. 北京:北京理工大学出版社, 2010.
[7]	ZHANG Xiaohui, LIN Bogang.Research on Internet of Things Security Based on Support Vector Machines with Balanced Binary Decision Tree[J]. Netinfo Security, 2015, 15(8):20-25.
	张晓惠, 林柏钢. 基于平衡二叉决策树SVM算法的物联网安全研究[J]. 信息网络安全, 2015,15(8):20-25.
[8]	CHEN Tianqi, GUESTRIN C.XGBoost: A Scalable Tree Boosting System[C]// ACM.The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining , August 13-17, 2016, San Francisco, California, USA .New York:ACM, 2016:785-794.
[9]	BUCZAK A L, GUVEN E.A Survey of Data Mining and Machine Learning Methods for Cyber Security Intrusion Detection[J]. IEEE Communications Surveys & Tutorials, 2017, 18(2):1153-1176.
[10]	LIN Weining, CHEN Mingzhi, ZHAN Yunqing, et al.Research on an Intrusion Detection Algorithm Based on PCA and Random-forest Classification[J].Netinfo Security,2017, 17(11):50-54.
	林伟宁, 陈明志, 詹云清,等. 一种基于PCA和随机森林分类的人侵检测算法研究[J]. 信息网络安全, 2017,17(11):50-54.
[11]	MOORTHY M, SATHIYABAMA S.A Study of Intrusion Detection Using Data Mining[C]//IEEE. International Conference on Advances in Engineering, Science and Management, March 30-31, 2012, Nagapattinam, Tamil Nadu, India .NJ: IEEE, 2012:8-15.
[12]	XUE Yu, ZHANG Ying, HUANG Xiaoyan.Research on Classification Decision Algorithm and Performance Evaluation in Network Intrusion Detection[J]. Netinfo Security, 2008,8(9): 39-42.
	薛羽, 张鹰, 黄小燕. 网络入侵检测中的分类决策算法和性能评价研究[J]. 信息网络安全, 2008,8(9):39-42.

[1]	郭春, 陈长青, 申国伟, 蒋朝惠. 一种基于可视化的勒索软件分类方法[J]. 信息网络安全, 2020, 20(4): 31-39.
[2]	王蓉, 马春光, 武朋. 基于联邦学习和卷积神经网络的入侵检测方法[J]. 信息网络安全, 2020, 20(4): 47-54.
[3]	杜义峰, 郭渊博. 一种基于信任值的雾计算动态访问控制方法[J]. 信息网络安全, 2020, 20(4): 65-72.
[4]	罗文华, 许彩滇. 基于改进MajorClust聚类的网络入侵行为检测[J]. 信息网络安全, 2020, 20(2): 14-21.
[5]	侯留洋, 罗森林, 潘丽敏, 张笈. 融合多特征的Android恶意软件检测方法[J]. 信息网络安全, 2020, 20(1): 67-74.
[6]	康健, 王杰, 李正旭, 张光妲. 物联网中一种基于多种特征提取策略的入侵检测模型[J]. 信息网络安全, 2019, 19(9): 21-25.
[7]	冯文英, 郭晓博, 何原野, 薛聪. 基于前馈神经网络的入侵检测模型[J]. 信息网络安全, 2019, 19(9): 101-105.
[8]	马泽文, 刘洋, 徐洪平, 易航. 基于集成学习的DoS攻击流量检测技术[J]. 信息网络安全, 2019, 19(9): 115-119.
[9]	饶绪黎, 徐彭娜, 陈志德, 许力. 基于不完全信息的深度学习网络入侵检测[J]. 信息网络安全, 2019, 19(6): 53-60.
[10]	陈冠衡, 苏金树. 基于深度神经网络的异常流量检测算法[J]. 信息网络安全, 2019, 19(6): 68-75.
[11]	田春岐, 李静, 王伟, 张礼庆. 一种基于机器学习的Spark容器集群性能提升方法[J]. 信息网络安全, 2019, 19(4): 11-19.
[12]	刘敬浩, 毛思平, 付晓梅. 基于ICA算法与深度神经网络的入侵检测模型[J]. 信息网络安全, 2019, 19(3): 1-10.
[13]	陈虹, 肖越, 肖成龙, 陈建虎. 融合最大相异系数密度的SMOTE算法的入侵检测方法[J]. 信息网络安全, 2019, 19(3): 61-71.
[14]	田峥, 李树, 孙毅臻, 黎曦. 一种面向S7协议的工控系统入侵检测模型[J]. 信息网络安全, 2019, 19(11): 8-13.
[15]	胡建伟, 赵伟, 闫峥, 章芮. 基于机器学习的SQL注入漏洞挖掘技术的分析与实现[J]. 信息网络安全, 2019, 19(11): 36-42.

基于Xgboost算法的网络入侵检测研究

Research on Network Intrusion Detection Based on Xgboost

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 12

相关文章 15

编辑推荐

Metrics

本文评价