基于NB-XGB融合的轻量化CBTC车载端入侵检测方法OA

为解决现有基于通信的列车控制(CBTC)系统入侵检测系统存在数据类别不平衡、检测准确率低和在线检测实时性不高的问题,提出一种基于朴素贝叶斯-极限梯度提升(NBXGB)融合的轻量化CBTC车载端入侵检测方法,该方法分为离线检测阶段与在线检测阶段。离线检测阶段,对CICIDS2017数据集和CBTCset数据集进行预处理并利用基于相关性的特征选择方法进行特征提取,提取相关性最高且冗余度最低的最优特征子集;对最优特征子集进行基于编辑近邻欠采样(ENN)和合成少数类过采样(SMOTE)的混合采样数据平衡处理;通过静态加权融合的方法对朴素贝叶斯(NB)和极端梯度提升(XGBoost)模型进行集成,从而实现二分类;在线检测阶段,采用知识蒸馏技术将训练后的NB-XGB融合模型迁移至多层感知机(MLP)学生模型中实现轻量化实时样本检测。所提方法在CICIDS2017和CBTCset数据集上进行验证实验,与K近邻算法(KNN)、NB、孤立森林(IForest)等模型进行对比,NB-XGB融合模型的准确率分别为0.9961和0.9557,同时证明了所提方法的有效性;在轻量化实验中,推理时长降到了0.16 ms/样本,证明在线检测的实时性。