计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2014年
2期
88-91,123
,共5页
异常检测%在线聚类%数据精简%自组织增量神经网络%最近邻分类器
異常檢測%在線聚類%數據精簡%自組織增量神經網絡%最近鄰分類器
이상검측%재선취류%수거정간%자조직증량신경망락%최근린분류기
anomaly detection%online clustering%data reduction%Self-Organizing Incremental Neural Network(SOINN)%nearest neighbor classifier
理想的网络入侵检测系统（IDS）是无监督学习的、在线学习的。现有的满足这两个标准的方法训练速度较慢，无法保证入侵检测系统所需要的低丢包率。为了提高训练速度，提出一种基于改进的自组织增量神经网络（improved SOINN）的网络异常检测方法，用于在线地、无监督地训练网络数据分类器；并提出使用三种数据精简（Data Reduction）的方法，包括随机子集选取，k-means聚类和主成分分析的方法，来进一步加速改进的SOINN的训练。实验结果表明，提出的方法在保持较高检测率的前提下，减少了训练时间。
理想的網絡入侵檢測繫統（IDS）是無鑑督學習的、在線學習的。現有的滿足這兩箇標準的方法訓練速度較慢，無法保證入侵檢測繫統所需要的低丟包率。為瞭提高訓練速度，提齣一種基于改進的自組織增量神經網絡（improved SOINN）的網絡異常檢測方法，用于在線地、無鑑督地訓練網絡數據分類器；併提齣使用三種數據精簡（Data Reduction）的方法，包括隨機子集選取，k-means聚類和主成分分析的方法，來進一步加速改進的SOINN的訓練。實驗結果錶明，提齣的方法在保持較高檢測率的前提下，減少瞭訓練時間。
이상적망락입침검측계통（IDS）시무감독학습적、재선학습적。현유적만족저량개표준적방법훈련속도교만，무법보증입침검측계통소수요적저주포솔。위료제고훈련속도，제출일충기우개진적자조직증량신경망락（improved SOINN）적망락이상검측방법，용우재선지、무감독지훈련망락수거분류기；병제출사용삼충수거정간（Data Reduction）적방법，포괄수궤자집선취，k-means취류화주성분분석적방법，래진일보가속개진적SOINN적훈련。실험결과표명，제출적방법재보지교고검측솔적전제하，감소료훈련시간。
An ideal Intrusion Detection System(IDS)should implement unsupervised learning and online learning. Exist-ing methods suffice these two criterions requires too much training time, which would cause a high packet loss rate and is unacceptable. To overcome the difficulty, an intrusion detection method based on improved Self-Organizing Incremental Neural Network(SOINN)and data reduction is presented, which allows online training of network classifiers in an unsu-pervised fashion. Also, data reduction methods, including random subset selection, k-means clustering, and principle com-ponent analysis are employed to accelerate the training. Experimental results show that the proposed method requires less time in training while maintaining a high detection rate.
