基于特征选择的工业互联网入侵检测分类方法

由于工业互联网接入设备的多样性和多样性，维护难度大，容易受到攻击。针对这一安全问题，有必要引入相关的防御系统来识别各种入侵攻击。传统的入侵检测系统能够检测到的攻击类型较少，网络流量数据由于冗余而具有不相关的特征，使得分类性能较差，提出了一种基于特征选择的工业互联网入侵检测分类方法。首先，对数据集进行预处理，通过计算特征的皮尔逊相关系数来判断特征的强度关系，并确定特征提取的最佳阈值。然后，从机器学习和深度学习的角度，利用逻辑回归、支持向量机、k近邻、决策树、随机森林、多层感知器分别对卷积神经网络和时空网络的八个模型进行了测试和评估。实验结果表明，随机森林的二分类效果最好，决策树的多分类效果最好。最后，在实际工业互联网中验证了该方法的有效性