网络入侵检测系统采用机器学习算法可以实现良好的检测性能。随着数据量的不断增加,使得网络入侵检测系统的检测速度降低,准确率也随之降低。为了提高网络入侵检测系统的整体性能和检测速度,本文设计了一个基于ADASYN数据均衡和PCA特征降维的Light GBM网络入侵检测系统框架。本文的主要工作如下:设计了一种通用网络入侵检测系统框架。框架分为六层:数据层、特征层、特征构建层、数据预处理层、模型训练层和策略B层。为了提高系统整体性能和检测速度,设计了基于light GBM模型的网路入侵检测系统,通过在KDD CUP 99、NSL-KDD和UNSW-NB数据集上进行实验对比验证。结果表明基于Light GBM模型构建的网络入侵检测系统整体性能要优于其他模型,其中,在KDD CUP99数据集上的训练准确率为99.99%,测试准确率为92.78%,模型训练时间为74s,检测时间为39s,相对于其他模型,检测速度大致提升了3倍。数据集中存在的大量冗余数据,降低了系统的准确率和检测时间,因此需要特征降维技术去除冗余特征数据。因此,本论文基于通用网络入侵检测系统框架设计了基于PCA特征降维构建Light GBM网络入侵检测系统。通过在KDD CUP 99、NSL-KDD和UNSW-NB15数据集上进行实验对比验证,证明基于PCA特征降维技术构建的Light GBM网络入侵检测系统提升了系统的整体性能,相对于其他传统特征降维技术,PCA特征降维带来的效益更高,并且能够在训练时间和检测时间上减少一倍。大量数据集存在不平衡性,导致训练出来的模型偏向于识别多数类数据,而少数类数据的准确率却很低。因此,基于通用网络入侵检测系统框架设计了自适应综合采样ADASYN的Light GBM网络入侵检测系统。通过将数据均衡技术应用于网络入侵检测领域,并且在KDD CUP 99、NSL-KDD和UNSW-NB数据集上进行对比实验,结果表明,利用数据均衡后技术对于其他数据均衡技术,基于ADASYN数据均衡构建的Light GBM网络入侵检测系统的整体性能更高,并且有效提升了少数类样本的准确率。