工业物联网借助边缘计算、人工智能和云计算等技术与未来先进制造技术相结合构建新的智能化的生产体系。通过将ICT基础设施下沉,实现边缘设备、协议和数据的互联互通,为工业制造在边缘侧处理数据提供计算能力。边缘计算中心靠近用户侧,可就近处理感知数据,无需传送至云端,但缺少完善的数据加密和数据保护措施,在处理本地化感知数据的过程中易遭受攻击者的入侵。基于机器学习的入侵检测技术为边缘计算中心的安全提供了有力保障,其中使用最广泛的梯度提升树模型易面临数据不平衡、数据特征维数大和参数寻优效率低等问题。为此,本文提出一种针对梯度提升决策树的模型优化方案用于解决模型训练难度大、识别准确率低等问题。首先,为实现数据集中的数据类别平衡,本文提出一种基于梯度采样边缘合成少数类（Gradient based Sampling Borderline Synthetic Minority,GSBSM）算法。新算法首先根据样本梯度值对数据进行更新,删除小梯度样本,然后扩充小样本（样本量较少的数据类别）数据（除噪音数据外）来保证数据分布平衡;其次,为减少数据特征数量,本文提出一种互斥特征绑定分层交叉验证（Exclusive Features Binding-Hierarchy Cross Validation,EFB-HCV）算法。新算法根据互斥特征原理对其进行组合,降低特征数量,增强特征与目标之间的关系,并设计分层机制来保证交叉验证阶段训练集和测试集中的数据类别（攻击类别）等比例划分;然后,为优化超参数寻优效率,本文提出一种基于高斯分布的贝叶斯优化算法（Gaussian Distribution based Bayesian Optimization,GDBO）来提高最优参数的搜寻效率;最终,详实的实验结果表明,新方案实现了数据集中的数据平衡,降低了数据特征维度并保留有效信息,参数寻优效率以及在最优参数下模型性能得到显著提升,更高效地抵御了攻击者的入侵。