基于集成学习的物联网攻击检测方法OA北大核心CSTPCD

针对物联网(internet of things,IoT)入侵检测方法在检测精度和资源消耗方面存在的问题,提出基于集成学习轻量级梯度提升机(light gradient boosting machine,LightGBM)和随机森林(random forest,RF)模型的物联网攻击检测方法。采用网格搜索(gridsearch,GS)和启发式算法对模型的超参数进行调优超参数优化,使用合成少数过采样技术(synthetic minority over-sampling technique,SMOTE)进行数据增强,解决物联网数据集标签不平衡问题。实验结果表明:通过SMOTE技术后,基于网格搜索下的轻量级梯度提升机(gridsearch-lightgradientboosting machine,GS-LightGBM)模型准确率达99.91%,且在不平衡数据集上表现优异;在资源消耗方面,基于遗传算法下的随机森林(genetic algorithm-random forest,GA-RF)模型在准确率99.88%的情况下,平均推理时间达到微秒级别,推理时占用内存不到1 kB,在大部分资源受限的物联网设备上能实现高效运行。