物联网(IoT)是计算机网络中的一种新型模式,在物联网中,传感器通过各种方式的网络接入,实现物与物、物与人的泛在连接。物联网的主要组成部分是互联网和各种传感器网络,由于传感器的计算能力较为低下且一般暴露在自然环境中,物联网容易受到各种网络攻击。为了克服此问题,入侵检测系统(IDS)作为一种主动的高安全性解决方案发挥着关键作用。本文提出了一种基于GWOCatBoost的物联网入侵检测分类模型,并将该模型作为服务应用到物联网安全防护中。本文的主要内容如下:CatBoost是一种集成学习模型,具有性能卓越、鲁棒性强等特点,本文将CatBoost模型运用在物联网入侵检测中。为了验证CatBoost模型在物联网中的入侵检测性能,我们在UNSW-NB15数据集上进行仿真实验,并选取支持向量机(SVM)、随机森林(RF)、K-近邻(KNN)和朴素贝叶斯(NB)等常用的物联网入侵检测模型作为对比。仿真实验结果表明,与对比模型相比,我们提出的模型具有更好的入侵检测精度与稳定性。接着我们使用灰狼优化(GWO)算法对CatBoost模型的参数进行优化,提出了一种基于GWO-CatBoost的物联网入侵检测分类模型。为了验证灰狼优化算法的优化能力与GWO-CatBoost模型的入侵检测性能。我们将GWO-CatBoost模型与GWO-SVM模型、GWO-KNN模型、GWO-RF这三种对比模型在UNSWNB15数据集上进行了仿真实验。实验结果验证了GWO算法的优化能力并且表明GWO-CatBoost模型的入侵检测性能明显优于其他对比算法。