基于数据增强和集成学习的网络流量检测

针对网络流量检测中普遍存在的恶意流量样本不平衡问题,提出了一种基于数据增强和集成学习的分类方法.该方法采用K-means+SMOTE数据增强来平衡不同类别的数据样本,然后利用集成学习模型提高分类模型的泛化能力.在两个公开数据集上的实验结果表明,使用XGBoost进行二元和多类分类时,准确率分别达到 99.1%和 97.19%.与CNN、随机森林和LightGBM等模型相比,所提方法始终表现出显著性能优势.