基于遗传算法和LightGBM的网络安全态势感知模型OA

针对传统烟草工业系统中的网络流量异常检测方法存在的特征间联系和上下文信息丢失等问题,提出了一种基于遗传算法改进的LightGBM模型,此模型能够使得模型避免陷入局部最优情况。首先通过计算构建树模型对数据降维,从高维数据中挖掘出对于检测效果影响重要的关键特征信息,并使用提出的模型对这些关键特征信息进行分析。为了评估模型的有效性与优越性,使用准确率和损失进行模型评价,并与其他网络流量异常检测模型Tabular model、TabNet、LightGBM、XGBoost进行对比。使用公开数据集CIC-IDS-2018进行实验分析。结果表明,在高特征的网络安全态势感知下,多分类和二分类的识别准确率分别达99.43%和99.87%,在低特征情况下,多分类和二分类的识别准确率分别达98.73%和99.39%,具有较高准确率以及良好的灵活性和鲁棒性。