计算机网络的开放性、共享性促进了数字化时代的来临,同时网络面临的入侵行为也与日俱增,用户的信息和财产安全得不到保障。入侵检测技术是一种重要的网络安全防御手段,受到广泛的研究和持续关注。深度森林是一种新型的机器学习方法,在入侵检测领域具有良好的应用潜力。然而,深度森林存在结构冗余、内存需求高和类别不平衡问题不敏感等缺陷,本文将针对这些不足进行改进,然后通过实验探讨改进之后的深度森林在入侵检测中的发挥。主要的工作内容如下:(1)提出一种基于级联XGBoost(gc XGBoost)的入侵检测方法。深度森林在级联结构中引入完全随机森林防止过拟合,额外增加了模型的复杂度和计算消耗。XGBoost使用正则化限制模型的复杂度,并在损失函数求解过程中使用二阶泰勒展开,使得在级联结构中引入XGBoost能够在保证精度的同时降低模型的复杂度。(2)提出一种融合蚁群优化算法(Ant Colony Optimization,ACO)和XGBoost(XGB-ACO)的入侵检测特征选择方法。深度森林使用多粒度扫描增强级联结构,然而多粒度扫描对于内存消耗大并且时耗长,并且多粒度扫描可以看作是一种特征选择过程。因此,为了降低内存消耗并且提升效率,本文使用融合XGBoost特征重要性的蚁群优化算法进行入侵检测特征选择。(3)提出一种基于级联Balanced Bagging(GCBalanced Bagging)的入侵检测方法。经过引入XGBoost和特征选择之后,深度森林在宏F1-score取得了不错的效果,然而少数样本类的F1-score依然偏低,因为入侵检测数据集存在类别不平衡现象。因此,为了提高深度森林对于少数样本类入侵行为的检测能力,本文将Balanced Bagging引入级联结构。Balanced Bagging通过对于数据集进行平衡采样,使得Bagging中的基学习器可以接受到均衡的数据集。针对上述研究内容,本文以部分公开数据集和KDD-NSL网络入侵数据集对提出的方法进行验证,最终的实验结果验证了本文中所提出的方法的可靠性。