机床与液压

作者：廖金菊，丁嘉伟，冯光辉

单位：郑州工业应用技术学院信息工程学院；郑州工业应用技术学院信息工程学院；广州大学计算机科学与网络工程学院

关键词：入侵检测模型;SMOTE方法;特征选择;鸽群优化

工业机械网络中的数控机床、可编程逻辑控制器等关键设备常面临恶意攻击威胁，传统的入侵检测方法难以应对高维数据和不平衡流量问题。为此，提出一种基于改进鸽群优化的特征选择与集成学习入侵检测模型（PIO-SIDM）。该模型结合SMOTE和Tomek Links算法处理工业机械网络流量中的类别不平衡问题，通过过采样和噪声过滤提升数据质量；利用改进的鸽群优化算法（PIO）筛选关键特征，降低数据维度，从而提升模型训练效率；最后，集成支持向量机、随机森林、K最近邻和LSTM 4种分类器，构建高性能检测模型。采用工业场景下的NSL-KDD和UNSW-NB15数据集，通过实验分析PIO-SIDM模型的召回率、精确率、F1-score和准确率性能指标。结果表明：PIO-SIDM模型在数据集NSL-KDD、 UNSW-NB15上的平均准确率均达到90.0%以上，优于基准模型，为工业机械网络的实时安全防护提供了有效解决方案。

来源：2026年第7期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第7期