基于机器学习的KDD-CUP99网络入侵检测数据集的分析

计算机工程与科学

基于机器学习的KDD-CUP99网络入侵检测数据集的分析

余华鸿，周凤艳，陈毛毛

(陆军防化学院基础部，北京 102205)

收稿日期:2019-08-06 修回日期:2019-10-17 出版日期:2019-12-25 发布日期:2019-12-25

Analysis of KDD-CUP99 network intrusion

detection data set based on machine learning

YU Hua-hong,ZHOU Feng-yan,CHEN Mao-mao

(Ministry of Basic,the Army Institute of Chemical Defense,Beijing 102205,China）

Received:2019-08-06 Revised:2019-10-17 Online:2019-12-25 Published:2019-12-25

摘要/Abstract

摘要：

使用Python编程，采用朴素贝叶斯分类器、Softmax回归和决策树回归3种有监督学习算法，对KDD-CUP99网络入侵监测数据集进行训练，并分析结果。首先通过3种分类器库的函数，对KDD-CUP99数据集进行分析预测；然后通过增量式训练方法探究3种分类器对训练数据量的依赖程度；最后通过特征筛选探究3种分类器算法受样本特征数量的影响程度。

关键词: 机器学习, 模型训练, 分析预测, 有监督学习

Abstract:

This paper adopts machine learning methods to train the kdd-cup99 network intrusion detection data set and analyze the results. Python programming is used to implement three supervised learning methods such as “naive Bayes classifier”, “Softmax regression” and “decision tree regression”. Firstly, the three classifier library functions are used to analyze and predict the KDD-CUP99 data set. Then, the incremental training method is used to explore the dependence of three classifiers on the amount of training data. Finally, feature screening is adopted to explore the influence of the number of sample features on the three classifier algorithms.

Key words: machine learning, model training, analysis and prediction, supervised learning

余华鸿, 周凤艳, 陈毛毛. 基于机器学习的KDD-CUP99网络入侵检测数据集的分析[J]. 计算机工程与科学.

YU Hua-hong, ZHOU Feng-yan, CHEN Mao-mao.

Analysis of KDD-CUP99 network intrusion

detection data set based on machine learning

[J]. Computer Engineering & Science.

[1]	温鑫, 曾焘, 李春波, 徐子晨. 面向服务器无感计算的模型推理服务切换方法研究[J]. 计算机工程与科学, 2024, 46(07): 1210-1217.
[2]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[3]	黄智慧, 肖祥立, 张玉书, 薛明富. 基于隐形后门水印的开源数据集版权保护[J]. 计算机工程与科学, 2024, 46(06): 1013-1021.
[4]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[5]	黄鹏程, 冯超超, 马驰远, . 未知工艺角下时序违反的机器学习预测[J]. 计算机工程与科学, 2024, 46(03): 395-399.
[6]	李扬, 尹大鹏, 马自强, 姚梓豪, 魏良根, . 结合决策树和AdaBoost的缓存侧信道攻击检测[J]. 计算机工程与科学, 2024, 46(03): 440-452.
[7]	彭畅, 刘青枝, 陈长波, . 多面体模型下的循环置换与自动调优[J]. 计算机工程与科学, 2023, 45(12): 2121-2134.
[8]	赵振宇, 杨天豪, 蒋汶乘, 张书政. 基于机器学习的多压多温多参标准单元延迟快速计算方法[J]. 计算机工程与科学, 2023, 45(08): 1331-1338.
[9]	李小玲, 方建滨, 马俊, 谭霜, 谭郁松. 基于监督学习的稀疏矩阵自动任务分配[J]. 计算机工程与科学, 2023, 45(05): 782-789.
[10]	胡艳芳, 熊文, 高炜. 基于 Spark 平台的网络游戏用户流失预测方法[J]. 计算机工程与科学, 2022, 44(10): 1730-1737.
[11]	唐阳坤, 鲜港, 杨文祥, 喻杰, 张晓蓉, 王耀彬. 基于用户行为的超级计算机作业失败预测方法[J]. 计算机工程与科学, 2022, 44(10): 1753-1761.
[12]	楚阳, 徐文龙. 基于计算机辅助诊断技术的阿尔兹海默症早期分类研究综述[J]. 计算机工程与科学, 2022, 44(05): 879-893.
[13]	崔弘, 赵双, 张广胜, 苏金树. 基于机器学习的移动代理应用流量识别方法[J]. 计算机工程与科学, 2022, 44(04): 654-664.
[14]	刘国强, 赵振宇, 赵晨煜, 韩奥, 杨天豪. 基于机器学习的PCB布线电阻计算方法[J]. 计算机工程与科学, 2022, 44(03): 396-402.
[15]	李文丽. 基于朴素贝叶斯分类的网络谣言识别研究[J]. 计算机工程与科学, 2022, 44(03): 495-501.