38、智能交通系统中基于机器学习区块链的入侵检测技术

智能交通系统中基于机器学习区块链的入侵检测技术

1. 相关技术基础

在智能交通系统（ITS）的安全防护领域，一些先进的技术和方法发挥着重要作用。

有一种随机方法，它能够利用样本训练的自助复制品，并确定每个随机特征在节点处的最佳截断位置。这种方法减轻了典型树和森林计算最优分割的数学负担。

二次判别分析（QDA）是线性判别分析（LDA）的广义变体。二次判别算法速度快且数学上稳健，其分类精度常常能达到与更复杂算法相当的效果。QDA只能区分两种类型的点，二次核心意味着自变量具有二次关系，其判别函数假定 f(x) 是具有不同方差和均值的高斯分布。

2. 实验环境搭建

为了评估所提出的基于机器学习区块链（MLB）技术的效率，使用以太坊搭建了一个隔离的区块链。以太坊是一个开源的区块链系统，允许用户在组织数据集内创建和运行私有区块链，同时还设置了一个预处理模块用于评估。以太坊平台创建了一个数字引擎运行时环境，智能合约可以在其中启动和执行。

用于智能交通系统的基于机器学习的技术入侵检测系统（MLBTID - ITS）采用了多种分类器，包括CatBoost、随机森林（RF）、AdaBoost、Extra Trees（ET）和二次判别分析（QDA）。使用UNSW - NB15网络数据集对该入侵检测系统进行评估，评估指标包括准确率、曲线下面积（AUC）、召回率、马修斯相关系数（MCC）和训练时间。

3. 不同训练数据比例下模型性能

3.1 25%训练数据时模型性能

模型	准确率