[發明專利]一種基于改進XGBoost算法的數據中臺入侵分類檢測方法

在審

• 申請號: 202210022604.0
• 申請日: 2022-01-10
• 公開（公告）號: CN114372529A
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 傅敏杰;李思纖
• 申請（專利權）人: 國網上海市電力公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 石家莊知住優創知識產權代理事務所(普通合伙) 13131
• 代理人: 王麗巧

1.一種基于改進XGBoost算法的數據中臺入侵分類檢測方法，其特征在于：該基于改進XGBoost算法的數據中臺入侵分類檢測方法包括XGB-DNN模型設計以及算法，所述XGB-DNN模型設計包括以下步驟：

S1、輸入：NSL-KDD數據集；

S2、輸出：NSL-KDD數據集使用特定的類標簽分類為正常或攻擊；

所述XGB-DNN模型算法包括以下步驟：

步驟1、對輸入的NSL-KDD數據集進行數據清洗；

步驟2、使用最小-最大技術對NSL-KDD進行歸一化；

步驟3、應用XGBoost特征重要性評分進行特征選擇；

步驟4、使用步驟2中選擇的特征及構建深度神經網絡分類器；

步驟5、訓練DNN分類器；

步驟6、使用Adam優化器優化在步驟4和步驟5中構造的DNN分類器；

步驟7、使用交叉鹽澤和功能評估設計的XGB-DNN分類器模型。

2.根據權利要求1所述的一種基于改進XGBoost算法的數據中臺入侵分類檢測方法，其特征在于：所述XGB-DNN模型是由XGBoost和DNN所構成的組合模型。

3.根據權利要求1所述的一種基于改進XGBoost算法的數據中臺入侵分類檢測方法，其特征在于：所述步驟6中引入Adam模型作為單目標回歸任務的學習，單目標模型因為精度和損失函數問題會更多關注數據特征的深度挖掘，不會因為多目標的Label之間存在時序關系而忽略特征本身。

4.根據權利要求1所述的一種基于改進XGBoost算法的數據中臺入侵分類檢測方法，其特征在于：所述XGBoost獲取交叉特征：輸入層會將數據分為5折輸入到XGBoost模型中進行一次分類檢測，然后通過交叉預測的方式對每個樣本進行預測，進而獲取到每一個樣本在XGBoost中的所有葉子節點。

5.根據權利要求1所述的一種基于改進XGBoost算法的數據中臺入侵分類檢測方法，其特征在于：所述XGB-DNN模型算法步驟2中利用歸一化對數據進行預處理。

6.根據權利要求1所述的一種基于改進XGBoost算法的數據中臺入侵分類檢測方法，其特征在于：所述XGB-DNN模型算法步驟3中對數據進行特征選擇以克服高維問題，利用XGBoost算法對特征重要性進行分類，剔除不需要的特征。

7.根據權利要求1所述的一種基于改進XGBoost算法的數據中臺入侵分類檢測方法，其特征在于：所述XGB-DNN模型算法步驟5中構造并訓練DNN分類器。

8.根據權利要求1所述的一種基于改進XGBoost算法的數據中臺入侵分類檢測方法，其特征在于：所述XGB-DNN模型算法步驟7中利用DNN對網絡入侵進行分類。

9.根據權利要求1所述的一種基于改進XGBoost算法的數據中臺入侵分類檢測方法，其特征在于：所述利用XGBoost學習到的從數據到目標的交叉特征,，就是一份經過深度挖掘后的豐富特征信息，可在組合模型中降低 DNN單模型的學習閾值，以此來更適用于該場景下的預測任務。