基于集成學(xué)習(xí)的業(yè)務(wù)網(wǎng)絡(luò)時(shí)延模擬

陳汝聰　張華熊

摘? 要：針對(duì)蜜網(wǎng)系統(tǒng)易被攻擊者通過(guò)時(shí)延特征進(jìn)行識(shí)別的問(wèn)題，提出一種基于集成學(xué)習(xí)的業(yè)務(wù)網(wǎng)絡(luò)時(shí)延模擬算法。該方法首先采集業(yè)務(wù)服務(wù)所在局域網(wǎng)內(nèi)的網(wǎng)絡(luò)流量和時(shí)延信息，經(jīng)數(shù)據(jù)預(yù)處理后，得到數(shù)據(jù)集。其次，基于Stacking集成學(xué)習(xí)方法，以隨機(jī)森林為元學(xué)習(xí)器，將Boosting簇三種模型作為初級(jí)學(xué)習(xí)器進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果經(jīng)融合后作為時(shí)延預(yù)測(cè)的基準(zhǔn)值。接著，以分段回歸樹(shù)為模型預(yù)測(cè)時(shí)延抖動(dòng)特征。最后，將時(shí)延基準(zhǔn)和抖動(dòng)特征疊加，得到符合局域網(wǎng)時(shí)延抖動(dòng)特性的綜合時(shí)延模型，基于該模型實(shí)現(xiàn)蜜網(wǎng)系統(tǒng)時(shí)延模擬，從而降低被攻擊者識(shí)別概率。最終實(shí)驗(yàn)結(jié)果表明，與GBDT、XGBoost和CatBoost算法相比，本文方法預(yù)測(cè)結(jié)果在MSE（Mean Square Error，均方誤差）和MAPE（Mean Absolute Percentage Error，平均絕對(duì)百分比誤差）上分別提升了35.5%和21.3%，在細(xì)節(jié)方面有較強(qiáng)表達(dá)能力。

關(guān)鍵詞：集成學(xué)習(xí);網(wǎng)絡(luò)時(shí)延;Boosting;Stacking;蜜網(wǎng)

中圖分類(lèi)號(hào)：TP181? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

Business Network Delay Simulation based on Integrated Learning

CHEN Rucong， ZHANG Huaxiong

（School of Information， Zhejiang Sci-Tech University， Hangzhou 310018， China）

735874531@qq.com; zhxhz@zstu.edu.cn

Abstract： Aiming at the problem that Honeynet systems are easy to be identified by attackers through delay characteristics， this paper proposes a business network delay simulation algorithm based on integrated learning. First， network traffic and delay information are collected in the local area network where the business service is located， and obtains a data set after data preprocessing. Secondly， based on Stacking integrated learning method， taking random forest as the meta-learner， three models of Boosting cluster are used as primary learner for prediction， and the prediction results are fused as the reference value for delay prediction. Then， segmented regression tree is used as a model to predict the delay jitter characteristics. Finally， the delay reference and jitter characteristics are superimposed to obtain a comprehensive delay model that conforms to the delay and jitter characteristics of the LAN （Local Area Network）. Based on this model， the Honeynet system delay simulation is implemented， thereby reducing the probability of being identified by the attackers. Final experimental results of the thesis show that， compared with GBDT （Gradient Boosting Decision Tree）， XGBoost and CatBoost algorithms， prediction results of the proposed method are improved by 35.5% and 21.3% in MSE （Mean Square Error） and MAPE （Mean Absolute Percentage Error） respectively， and they have strong expressive ability in details.

Keywords： integrated learning; network delay; Boosting; Stacking; Honeynet

1? ?引言（Introduction）

隨著互聯(lián)網(wǎng)技術(shù)的普及，網(wǎng)絡(luò)為人們帶來(lái)便利的同時(shí)，也帶來(lái)了未知的威脅。傳統(tǒng)安全防御技術(shù)判斷手段單一，處理能力有限，不能實(shí)時(shí)有效地保護(hù)真實(shí)主機(jī)。為了改變攻防雙方在網(wǎng)絡(luò)對(duì)抗中不平等的狀態(tài)，安全人員引入了蜜網(wǎng)技術(shù)[1]。蜜網(wǎng)由多個(gè)蜜罐組合而成，是一種通過(guò)誘餌資源構(gòu)建真實(shí)網(wǎng)絡(luò)環(huán)境，誘騙攻擊者攻擊虛假資源從而保護(hù)業(yè)務(wù)系統(tǒng)安全的網(wǎng)絡(luò)主動(dòng)防御技術(shù)，其首要問(wèn)題是如何保護(hù)蜜網(wǎng)不被攻擊者輕易識(shí)別。

傳統(tǒng)網(wǎng)絡(luò)中數(shù)據(jù)傳輸時(shí)延受通信協(xié)議、路由算法等因素影響，呈現(xiàn)隨機(jī)變化的非線(xiàn)性特征。而在蜜網(wǎng)系統(tǒng)中，過(guò)長(zhǎng)、過(guò)短或者一直穩(wěn)定的網(wǎng)絡(luò)時(shí)延，都有可能引起攻擊者的警覺(jué)。本文假設(shè)蜜網(wǎng)部署于局域網(wǎng)內(nèi)用于保護(hù)真實(shí)業(yè)務(wù)主機(jī)，為模擬真實(shí)主機(jī)的時(shí)延特性，提出了一種基于集成學(xué)習(xí)[2-3]的業(yè)務(wù)網(wǎng)絡(luò)時(shí)延模擬模型。該模型融合Boosting簇三種算法進(jìn)行時(shí)延基準(zhǔn)的預(yù)測(cè)，同時(shí)根據(jù)分段回歸樹(shù)模型進(jìn)行抖動(dòng)特征預(yù)測(cè)，最后通過(guò)兩者疊加來(lái)模擬符合局域網(wǎng)的綜合時(shí)延。實(shí)驗(yàn)結(jié)果表明，該模型與其他模型相比有較好的預(yù)測(cè)效果。

2? 數(shù)據(jù)獲取與預(yù)處理（Data acquisition and preprocessing）

2.1? ?源數(shù)據(jù)獲取

本文數(shù)據(jù)集來(lái)源于某實(shí)驗(yàn)室真實(shí)局域網(wǎng)網(wǎng)關(guān)中的流量。該數(shù)據(jù)集時(shí)間跨度為三天，以分鐘為時(shí)間顆粒度，每分鐘的流量數(shù)據(jù)利用軟件以pcap包的方式保存，以便后續(xù)進(jìn)行分析。采用shell腳本獲取網(wǎng)絡(luò)時(shí)延數(shù)據(jù)，結(jié)果如圖1所示。從圖1中看出，網(wǎng)絡(luò)時(shí)延隨時(shí)間變化，在一定基準(zhǔn)范圍內(nèi)抖動(dòng)。在日常工作時(shí)間點(diǎn)上，實(shí)驗(yàn)室使用網(wǎng)絡(luò)頻繁，引起時(shí)延抖動(dòng)幅度變化較大。

2.2? ?數(shù)據(jù)預(yù)處理

分析原始數(shù)據(jù)包發(fā)現(xiàn)，由于協(xié)議多且復(fù)雜，部分協(xié)議出現(xiàn)數(shù)次之后再也未出現(xiàn)，當(dāng)數(shù)據(jù)集將這些協(xié)議作為特征記錄時(shí)，導(dǎo)致所采集到的數(shù)據(jù)存在大量無(wú)效值。因此為了提高數(shù)據(jù)質(zhì)量用于建模分析，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。本文數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)增強(qiáng)三部分，具體步驟如圖2所示。

2.3? ?特征選擇

數(shù)據(jù)預(yù)處理后，在剩余數(shù)據(jù)中，部分字段包含在另外一個(gè)字段下，例如“DNS Response”和“DNS Query”都屬于“DNS”屬性，數(shù)據(jù)集分類(lèi)不清晰，故需要進(jìn)行特征提取。

特征提取的目的是從所有流量數(shù)據(jù)中提取更多隱藏在數(shù)據(jù)中的特征，以達(dá)到更好的訓(xùn)練效果。過(guò)多的特征會(huì)引起模型出現(xiàn)過(guò)擬合現(xiàn)象，適當(dāng)?shù)剡x擇特征，不僅能減少學(xué)習(xí)模型的訓(xùn)練時(shí)間，還能降低學(xué)習(xí)任務(wù)的復(fù)雜度，優(yōu)化學(xué)習(xí)模型的泛化能力[4]。本文數(shù)據(jù)集主要以HTTP、HTTPS、SSDP、DNS等應(yīng)用層協(xié)議作為特征選擇。

3? 基于Stacking的時(shí)延預(yù)測(cè)算法（Stacking-based delay prediction algorithm）

3.1? ?移動(dòng)窗口平均時(shí)延基準(zhǔn)和時(shí)延抖動(dòng)

移動(dòng)窗口平均法適用于分析時(shí)間序列，其計(jì)算方式是按照時(shí)間序列逐項(xiàng)推移，計(jì)算出窗口內(nèi)數(shù)值的平均值，用于消除預(yù)測(cè)中的隨機(jī)波動(dòng)。由圖1可知，時(shí)延基準(zhǔn)數(shù)值圍繞一定數(shù)值上下波動(dòng)，在不同時(shí)間段內(nèi)抖動(dòng)的幅度是不同的。為求得時(shí)延在時(shí)間序列上的基準(zhǔn)值，本文將9：00至22：30劃分為工作時(shí)間，其余時(shí)間為休息時(shí)間。工作時(shí)間內(nèi)時(shí)延波動(dòng)幅度較大，將窗口設(shè)置為3;休息時(shí)間抖動(dòng)幅度較小，將窗口設(shè)定為5，求得平均時(shí)延特征后作為時(shí)延基準(zhǔn)值。抖動(dòng)特征則根據(jù)時(shí)間段劃分為兩部分，分別用于工作時(shí)間和休息時(shí)間的抖動(dòng)預(yù)測(cè)。

3.2? ?算法描述

（1）時(shí)延基準(zhǔn)預(yù)測(cè)。時(shí)延基準(zhǔn)是指在一定時(shí)間范圍內(nèi)，時(shí)延的大致數(shù)值。本文采用Stacking框架將Boosting簇模型融合，進(jìn)行時(shí)延基準(zhǔn)預(yù)測(cè)。

本節(jié)將經(jīng)預(yù)處理的數(shù)據(jù)集作為輸入，將時(shí)延基準(zhǔn)值作為輸出，按照8：2的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。定義訓(xùn)練集為

其中，為輸入特征向量，則本文提出的算法步驟如下：

輸入：訓(xùn)練數(shù)據(jù)集D;

輸出：算法模型以及預(yù)測(cè)值。

步驟1：利用n 折交叉驗(yàn)證將數(shù)據(jù)集分成n 份，每一份表示為

取其中1 折作為驗(yàn)證集，其余N-1 折作為訓(xùn)練數(shù)據(jù)。

步驟2：建立n 個(gè)算法k的模型。對(duì)于模型，，設(shè)置驗(yàn)證集為數(shù)據(jù)集的第c 份，其余部分為訓(xùn)練數(shù)據(jù)，將數(shù)據(jù)傳入模型，模型產(chǎn)生第c 折驗(yàn)證集的預(yù)測(cè)結(jié)果。

重復(fù)n 次得到n 個(gè)算法k的模型和驗(yàn)證集預(yù)測(cè)值，并用生成的模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)得到，。將按照順序拼接后得到算法k模型對(duì)訓(xùn)練集的預(yù)測(cè)結(jié)果，記為

每個(gè)模型都對(duì)測(cè)試集進(jìn)行預(yù)測(cè)后，求平均得到對(duì)測(cè)試集的預(yù)測(cè)結(jié)果，記為。

算法k模型對(duì)測(cè)試集的預(yù)測(cè)結(jié)果，由n 個(gè)值取平均后求得，記為

步驟3：用同樣的方式訓(xùn)練不同算法，得到K 個(gè)訓(xùn)練集預(yù)測(cè)值和測(cè)試集預(yù)測(cè)值。將K 個(gè)訓(xùn)練集預(yù)測(cè)值和真實(shí)時(shí)延作為新的訓(xùn)練集數(shù)據(jù)，將K 個(gè)測(cè)試集預(yù)測(cè)值作為新的測(cè)試集數(shù)據(jù)。

步驟四：利用元學(xué)習(xí)器對(duì)新數(shù)據(jù)集建模預(yù)測(cè)，預(yù)測(cè)出最終的時(shí)延基準(zhǔn)值為。

（2）抖動(dòng)預(yù)測(cè)。Boosting簇算法是加法模型和前向分布的結(jié)合，在GBDT[5]中表現(xiàn)為加權(quán)加法模型，因此削弱了數(shù)據(jù)隨機(jī)波動(dòng)特性。故本文采用決策樹(shù)DCRT對(duì)時(shí)延抖動(dòng)誤差進(jìn)行模擬，得到抖動(dòng)預(yù)測(cè)。考慮到工作時(shí)間和休息時(shí)間內(nèi)抖動(dòng)幅度不同，本文采用分段回歸樹(shù)模型預(yù)測(cè)不同時(shí)間段的抖動(dòng)值，記為

其中，和為工作時(shí)間和休息時(shí)間的模型函數(shù)。

（3）由時(shí)延基準(zhǔn)預(yù)測(cè)和抖動(dòng)預(yù)測(cè)得到最終的時(shí)延結(jié)果為

4? 實(shí)驗(yàn)結(jié)果與分析（Experimental results and analysis）

本節(jié)實(shí)驗(yàn)?zāi)繕?biāo)是驗(yàn)證時(shí)延預(yù)測(cè)方案的有效性，具體包括數(shù)據(jù)預(yù)處理的有效性，提出算法模型的性能對(duì)比，以及對(duì)于Stacking的元學(xué)習(xí)器選擇。實(shí)驗(yàn)環(huán)境如表1所示。

實(shí)驗(yàn)所使用的數(shù)據(jù)集來(lái)自2.1部分所述，經(jīng)預(yù)處理后隨機(jī)將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集占數(shù)據(jù)總量的80%，測(cè)試集占數(shù)據(jù)總量的20%。為在效果圖中呈現(xiàn)清晰的曲線(xiàn)圖像，在圖中取2%的點(diǎn)進(jìn)行表示。

4.1? ?數(shù)據(jù)預(yù)處理有效性

為了驗(yàn)證數(shù)據(jù)預(yù)處理對(duì)預(yù)測(cè)性能的影響，對(duì)數(shù)據(jù)預(yù)處理前后的特征進(jìn)行預(yù)測(cè)驗(yàn)證。本文算法模型選擇Boosting簇三種模型XGBoost[6]、LightGBM[7]、CatBoost[8]進(jìn)行融合，元學(xué)習(xí)器則使用回歸模型中最為廣泛使用的線(xiàn)性回歸模型，在10 折交叉驗(yàn)證后送入模型。在對(duì)照實(shí)驗(yàn)過(guò)程中，分別使用上述三種單獨(dú)算法和本文算法模型對(duì)時(shí)延基準(zhǔn)進(jìn)行預(yù)測(cè)，采用網(wǎng)格搜索法[9]優(yōu)化參數(shù)。由于時(shí)延是在一定均值范圍內(nèi)抖動(dòng)，R2系數(shù)不適用于作為本文的評(píng)估標(biāo)準(zhǔn)，故選用MAPE和MSE。

圖3和圖4的對(duì)比結(jié)果顯示，給定初始特征下的MSE值和MAPE值較大，通過(guò)預(yù)處理后MSE值誤差平均降低了約35.5%，MAPE值誤差降低了約21.3%。初始數(shù)據(jù)無(wú)用特征較多，訓(xùn)練的模型泛化能力弱。經(jīng)過(guò)數(shù)據(jù)預(yù)處理，簡(jiǎn)化了模型對(duì)特征的學(xué)習(xí)，可以很好地表示時(shí)延數(shù)據(jù)的特性，預(yù)測(cè)誤差有了明顯的降低。對(duì)比其他三種模型，本文模型算法具有更低的預(yù)測(cè)誤差，既說(shuō)明了數(shù)據(jù)預(yù)處理對(duì)于時(shí)延預(yù)測(cè)的重要性和有效性，又說(shuō)明了在預(yù)測(cè)基準(zhǔn)模型上，本文提出的模型具有更好的預(yù)測(cè)效果。

4.2? ?模型性能驗(yàn)證

（1）抖動(dòng)預(yù)測(cè)模型對(duì)比

為對(duì)照休息時(shí)間和工作時(shí)間的抖動(dòng)預(yù)測(cè)模型，本部分使用同一個(gè)數(shù)據(jù)集訓(xùn)練模型并預(yù)測(cè)。根據(jù)時(shí)間段的劃分，使用分段回歸樹(shù)模型預(yù)測(cè)時(shí)延抖動(dòng)特征。回歸樹(shù)預(yù)測(cè)抖動(dòng)特征時(shí)，有較快的處理效率，在預(yù)測(cè)時(shí)也能保證抖動(dòng)的波動(dòng)性。本文使用單個(gè)回歸樹(shù)模型對(duì)工作時(shí)間的抖動(dòng)進(jìn)行預(yù)測(cè)，使用五個(gè)回歸樹(shù)取平均的方式對(duì)休息時(shí)間的抖動(dòng)進(jìn)行預(yù)測(cè)，達(dá)到在工作時(shí)間抖動(dòng)幅度較大，休息時(shí)間抖動(dòng)較平緩的效果。同理，使用機(jī)器學(xué)習(xí)中其他經(jīng)典模型與本文提出的回歸樹(shù)抖動(dòng)模型進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果如圖5—圖10所示。

從對(duì)比結(jié)果中可以得出：

回歸樹(shù)模型在抖動(dòng)幅度和抖動(dòng)趨勢(shì)的預(yù)測(cè)上，兩個(gè)時(shí)間段的模型都達(dá)到了較為符合現(xiàn)實(shí)的效果。工作時(shí)間抖動(dòng)模型預(yù)測(cè)值的幅度明顯大于休息時(shí)間抖動(dòng)模型預(yù)測(cè)值的幅度，符合時(shí)延抖動(dòng)的特征，且兩者在抖動(dòng)趨勢(shì)上與真實(shí)值大致保持一致。

對(duì)比其余模型，可以看出不同算法在單個(gè)模型和多個(gè)模型上預(yù)測(cè)的結(jié)果大致是重合的，不符合工作時(shí)間和休息時(shí)間的時(shí)延抖動(dòng)。

（2）元學(xué)習(xí)器對(duì)比

本部分研究基于Stacking的模型融合算法和元學(xué)習(xí)器組合的預(yù)測(cè)性能。實(shí)驗(yàn)過(guò)程中，除抖動(dòng)的預(yù)測(cè)外，其余模型都按照網(wǎng)格搜索法提取最優(yōu)參數(shù)后進(jìn)行實(shí)驗(yàn)。在元學(xué)習(xí)器的選擇上，采用較為廣泛的有GBDT、支持向量機(jī)（SVR）回歸以及線(xiàn)性（LR）回歸，并且測(cè)試了隨機(jī)森林（RF）回歸模型作為元學(xué)習(xí)器的性能。上述四種算法模型作為元學(xué)習(xí)器的擬合曲線(xiàn)，加上抖動(dòng)模型預(yù)測(cè)值的擬合曲線(xiàn)以及真實(shí)值的曲線(xiàn)如圖11—圖14所示。

從圖11—圖14中可以看出，每個(gè)元學(xué)習(xí)器在總體上保持一致，但是在細(xì)節(jié)處理方面（即圖中所圈之處），隨機(jī)森林的性能更高。由第一層學(xué)習(xí)器預(yù)測(cè)到的數(shù)據(jù)是高度非線(xiàn)性的，隨機(jī)森林模型在擬合曲線(xiàn)上更加符合真實(shí)時(shí)延抖動(dòng)，據(jù)此可以說(shuō)明，利用隨機(jī)森林作為元學(xué)習(xí)器符合本文需求。在后續(xù)實(shí)驗(yàn)中，將選擇隨機(jī)森林作為實(shí)驗(yàn)的元學(xué)習(xí)器。

4.3? ?數(shù)據(jù)采樣結(jié)果影響

為防止模型過(guò)擬合，在數(shù)據(jù)集采樣時(shí)，借鑒Bagging策略[10]的自助采樣法，從所有訓(xùn)練數(shù)據(jù)中抽取若干子集，每次選取63.2%的數(shù)據(jù)進(jìn)行模型訓(xùn)練，未被抽中的36.8%的袋外數(shù)據(jù)則可以作為驗(yàn)證集對(duì)模型進(jìn)行評(píng)估和優(yōu)化。在驗(yàn)證數(shù)據(jù)集采樣結(jié)果對(duì)模型訓(xùn)練效果的影響時(shí)，采取80%數(shù)據(jù)的隨機(jī)采樣，既保證了數(shù)據(jù)的準(zhǔn)確性，又保證了由于數(shù)據(jù)集的不同訓(xùn)練出的模型具有差異性，可以提升本文算法模型的泛化能力。

從圖15和圖16中可以看出，80%隨機(jī)取樣的數(shù)據(jù)比100%隨機(jī)取樣的數(shù)據(jù)作為訓(xùn)練集，在預(yù)測(cè)效果上更符合真實(shí)值，據(jù)此可以說(shuō)明采用自助采樣的方式，增加了基學(xué)習(xí)器之間的差異性，模型泛化能力得到加強(qiáng)。

5? ?結(jié)論（Conclusion）

本文在獲取時(shí)延數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理之后，研究了基于Stacking的時(shí)延抖動(dòng)預(yù)測(cè)算法。首先，基于Boosting簇三種算法，構(gòu)建時(shí)延基準(zhǔn)預(yù)測(cè)模型第一層學(xué)習(xí)器，在此基礎(chǔ)上，融合三大算法的優(yōu)點(diǎn)，使用隨機(jī)森林作為元學(xué)習(xí)器，對(duì)時(shí)延基準(zhǔn)值進(jìn)行預(yù)測(cè)。接著，使用分段回歸樹(shù)模型預(yù)測(cè)時(shí)延抖動(dòng)特征后，結(jié)合時(shí)延基準(zhǔn)和抖動(dòng)兩種特性，模擬符合真實(shí)局域網(wǎng)時(shí)延特征的預(yù)測(cè)值。最后，使用上述算法模型和其他經(jīng)典模型進(jìn)行實(shí)驗(yàn)對(duì)比。實(shí)驗(yàn)結(jié)果表明，本文算法在有效提高準(zhǔn)確性的同時(shí)，更加符合真實(shí)網(wǎng)絡(luò)時(shí)延的抖動(dòng)，為蜜網(wǎng)部署時(shí)模擬網(wǎng)絡(luò)時(shí)延以達(dá)到“以假亂真”的目的奠定基礎(chǔ)。

參考文獻(xiàn)（References）

[1] 司楊濤.面向主動(dòng)防御的變色蜜網(wǎng)技術(shù)研究[D].西安：西安電子科技大學(xué)，2018.

[2] 周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016：171-173.

[3] 王清.集成學(xué)習(xí)中若干關(guān)鍵問(wèn)題的研究[D].上海：復(fù)旦大學(xué)，2011.

[4] 夏慧維.基于決策樹(shù)集成和寬度森林的網(wǎng)絡(luò)流量分析與預(yù)測(cè)研究[D].南京：南京郵電大學(xué)，2020.

[5] FRIEDMAN J H. Greedy function approximation： A gradient boosting machine[J]. Annals of Statistics， 2001， 29（5）：1189-1232.

[6] CHEN J， ZHAO F， SUN Y， et al. Improved XGBoost model based on genetic algorithm[J]. International Journal of Computer Applications in Technology， 2020， 62（3）：240-245.

[7] ZHANG J， MUCS D， NORINDER U， et al. LightGBM： An effective and scalable algorithm for prediction of chemical toxicity-application to the Tox21 and mutagenicity data sets[J]. Journal of Chemical Information and Modeling， 2019， 59（10）：4150-4158.

[8] 黨存祿，武文成，李超鋒，等.基于CatBoost算法的電力短期負(fù)荷預(yù)測(cè)研究[J].電氣工程學(xué)報(bào)，2020，15（01）：76-82.

[9] 溫博文，董文瀚，解武杰，等.基于改進(jìn)網(wǎng)格搜索算法的隨機(jī)森林參數(shù)優(yōu)化[J].計(jì)算機(jī)工程與應(yīng)用，2018，54（10）：154-157.

[10] BREIMAN L. Bagging predictors[J]. Machine Learning， 1996， 24（2）：123-140.

作者簡(jiǎn)介：

陳汝聰（1995-），男，碩士生.研究領(lǐng)域：網(wǎng)絡(luò)信息安全，軟件開(kāi)發(fā).

張華熊（1971-），男，博士，教授.研究領(lǐng)域：智能信息處理，計(jì)算機(jī)網(wǎng)絡(luò)與信息安全軟件開(kāi)發(fā).