申请/专利权人：湖北大学;赛尔网络有限公司

申请日：2020-09-18

公开（公告）日：2021-01-05

公开（公告）号：CN112187752A

主分类号：H04L29/06(20060101)

分类号：H04L29/06(20060101);G06K9/62(20060101)

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2023.12.05#发明专利申请公布后的驳回;2021.01.22#实质审查的生效;2021.01.05#公开

摘要：本发明涉及一种基于随机森林的入侵检测分类方法及装置。使用网络入侵检测数据集进行网络流量的攻击识别，选取的特征属性有TCP连接的基本特征、TCP连接的内容特征、基于时间的网络流量统计特征和基于主机的网络流量统计特征，并将入侵检测数据集分为70％的训练集和30％测试集，然后对非数值型特征进行数值转换，对于没有关联的特征分类数值进行one‑hot编码，将这四类特征作为随机森林入侵检测模型的输入，通过训练集构建随机森林分类器模型，调整基评估其数量以得到最佳的分类器模型，后用测试集对该模型进行评估，实现对入侵检测的精确分类。实验表明，本方法准确率可达99.91％，该模型具有非常好的入侵检测分类效果。

主权项：1.一种基于随机森林的入侵检测分类方法，其特征在于，包括如下步骤：选取入侵检测数据集的特征属性：对NSL-KDD网络入侵检测数据集进行分析，选取与入侵检测有密切关系的四类特征属性作为输入，包括：TCP连接的基本特征、TCP连接的内容特征、基于时间的网络流量统计特征和基于主机的网络流量统计特征；划分训练集和测试集：导入NSL-KDD网络入侵检测数据集的数据，并将其随机划分为70％的训练集和30％的测试集；数值转换：对训练集和测试集的数据进行数值转换处理，将分类标签转换成分类数值，将文字型特征也转换为数值类型；one-hot编码：对没有关联的特征分类数值进行one-hot编码，将字符型特征转换为哑变量覆盖原来的数值；建立随机森林分类器模型：选取训练集的数据作为输入导入随机森林算法中，通过训练集建立随机森林分类器模型，实现对入侵检测分类；调整基评估器数量：比较不同的基评估器数量对精确度的影响，选择分类结果最好的一个作为最终的分类器；完善随机森林分类器模型：通过测试集对随机森林分类器模型进行评估，从而完善随机森林分类器模型，实现对入侵检测数据精确分类。

全文数据：

权利要求：

百度查询： 湖北大学;赛尔网络有限公司 一种基于随机森林的入侵检测分类方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD