55、基于集成机器学习的物联网入侵检测与移动攻击研究

基于集成机器学习的物联网入侵检测与移动攻击研究

在当今数字化时代，网络安全问题愈发严峻，物联网（IoT）网络的安全更是备受关注。本文将介绍一种基于集成机器学习的入侵检测系统，同时探讨物联网网络中移动攻击的影响及应对策略。

基于集成机器学习的入侵检测系统

在进行入侵检测时，减少特征集可以降低计算成本和检测时间。因此，选择高效的特征选择技术至关重要。我们采用了基于树的嵌入式方法，这种方法在速度和准确性方面具有优势，能够克服其他方法的局限性并融合其优点。

我们使用了UNSW - NB15数据集，该数据集相比其他基准数据集更新且多样，能反映新型网络流量场景和各种微弱跟踪攻击。它结合了正常现代流量和网络流量的合成攻击活动。数据集分为训练集和测试集，共有257,673条记录，原始每条记录有49个特征，用于研究的数据集有45个特征，其中4个特征（源IP地址、目的IP地址、源端口号和目的端口号）因会使模型产生偏差而被提前剔除。剩余45个特征中，43个可用于训练模型，2个为目标特征，分别用于二进制分类和多分类。数据集中的特征大致分为基本特征、内容特征和时间特征，此外还有一些通用特征和连接特征。数据类型包括整数、浮点数、标称值、时间戳或二进制。攻击类别有9种，我们构建了用于二进制分类的模型。

在数据集预处理和特征选择阶段，首先分析数据以确定预处理需求。由于数据集中有3个标称特征，我们使用标签编码将“协议”“服务”和“状态”特征转换为数值。数据集按75:25的比例划分为训练集和测试集。采用XG - boost特征选择方法，该方法通过比较每个特征与目标特征，为每个特征生成得分，以确定其对目标特征的重要性。从45个特征中剔除32个特征以获得最佳分类准确率。

训练模型