计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2014年
10期
96-100
,共5页
入侵检测%Bagging技术%邻域粗糙集%支持向量机%集成学习
入侵檢測%Bagging技術%鄰域粗糙集%支持嚮量機%集成學習
입침검측%Bagging기술%린역조조집%지지향량궤%집성학습
intrusion detection%Bagging%neighborhood rough set%support vector machine%ensemble learning
入侵检测领域的数据往往具有高维性及非线性特点，且其中含有大量的噪声、冗余及连续型属性，这就使得一般的模式分类方法不能对其进行有效的处理。为了进一步提高入侵检测效果，提出了基于邻域粗糙集的入侵检测集成算法。采用Bagging技术产生多个具有较大差异性的训练子集，针对入侵检测数据的连续型特点，在各训练子集上使用具有不同半径的邻域粗糙集模型进行属性约简，消除冗余与噪声，实现属性约简以提高属性子集的分类性能，同时也获得具有更大差异性的训练子集，采用SVM为分类器训练多个基分类器，以各基分类器的检测精度构造权重进行加权集成。KDD99数据集的仿真实验结果表明，该算法能有效地提高入侵检测的精度和效率，具有较高的泛化性和稳定性。
入侵檢測領域的數據往往具有高維性及非線性特點，且其中含有大量的譟聲、冗餘及連續型屬性，這就使得一般的模式分類方法不能對其進行有效的處理。為瞭進一步提高入侵檢測效果，提齣瞭基于鄰域粗糙集的入侵檢測集成算法。採用Bagging技術產生多箇具有較大差異性的訓練子集，針對入侵檢測數據的連續型特點，在各訓練子集上使用具有不同半徑的鄰域粗糙集模型進行屬性約簡，消除冗餘與譟聲，實現屬性約簡以提高屬性子集的分類性能，同時也穫得具有更大差異性的訓練子集，採用SVM為分類器訓練多箇基分類器，以各基分類器的檢測精度構造權重進行加權集成。KDD99數據集的倣真實驗結果錶明，該算法能有效地提高入侵檢測的精度和效率，具有較高的汎化性和穩定性。
입침검측영역적수거왕왕구유고유성급비선성특점，차기중함유대량적조성、용여급련속형속성，저취사득일반적모식분류방법불능대기진행유효적처리。위료진일보제고입침검측효과，제출료기우린역조조집적입침검측집성산법。채용Bagging기술산생다개구유교대차이성적훈련자집，침대입침검측수거적련속형특점，재각훈련자집상사용구유불동반경적린역조조집모형진행속성약간，소제용여여조성，실현속성약간이제고속성자집적분류성능，동시야획득구유경대차이성적훈련자집，채용SVM위분류기훈련다개기분류기，이각기분류기적검측정도구조권중진행가권집성。KDD99수거집적방진실험결과표명，해산법능유효지제고입침검측적정도화효솔，구유교고적범화성화은정성。
The intrusion detection data has high dimensionality and nonlinear characteristics, and contains large redundant and noisy attributes, as well as some continuous attributes, this paper presents an ensemble algorithm based on neighborhood rough set to improve the effect of intrusion detection. Many training subsets are generated by Bagging technology, reduced training subsets with large difference are gained using neighborhood rough set with different radius in the training subset, many base classifiers are trained in reduced training subsets, and are ensembled using weighted average method. The exper-imental results in the KDD99 dataset show that the algorithm can effectively improve the accuracy and efficiency of intru-sion detection, it has high generalization and stability.
