计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2008年
7期
1781-1783
,共3页
半监督聚类%入侵检测%粒群优化%K均值
半鑑督聚類%入侵檢測%粒群優化%K均值
반감독취류%입침검측%립군우화%K균치
针对无监督学习的入侵检测算法准确度不高、监督学习的入侵检测算法训练样本难以获取的问题,提出了一种粒子群改进的K均值半监督入侵检测算法,利用少量的标记数据生成正确样本模型来指导大量的未标记数据聚类,对聚类后仍未能标记的数据采用粒群优化的K均值聚类,有效提高分类器的分类准确性,并实现了对新类型攻击的检测.实验结果表明,算法的整体检测效果明显优于基于无监督学习和监督学习的检测算法.
針對無鑑督學習的入侵檢測算法準確度不高、鑑督學習的入侵檢測算法訓練樣本難以穫取的問題,提齣瞭一種粒子群改進的K均值半鑑督入侵檢測算法,利用少量的標記數據生成正確樣本模型來指導大量的未標記數據聚類,對聚類後仍未能標記的數據採用粒群優化的K均值聚類,有效提高分類器的分類準確性,併實現瞭對新類型攻擊的檢測.實驗結果錶明,算法的整體檢測效果明顯優于基于無鑑督學習和鑑督學習的檢測算法.
침대무감독학습적입침검측산법준학도불고、감독학습적입침검측산법훈련양본난이획취적문제,제출료일충입자군개진적K균치반감독입침검측산법,이용소량적표기수거생성정학양본모형래지도대량적미표기수거취류,대취류후잉미능표기적수거채용립군우화적K균치취류,유효제고분류기적분류준학성,병실현료대신류형공격적검측.실험결과표명,산법적정체검측효과명현우우기우무감독학습화감독학습적검측산법.
