小型微型计算机系统
小型微型計算機繫統
소형미형계산궤계통
MINI-MICRO SYSTEMS
2013年
6期
1242-1247
,共6页
异常检测%多维特征%半监督联合%非线性优化%模糊C均值聚类
異常檢測%多維特徵%半鑑督聯閤%非線性優化%模糊C均值聚類
이상검측%다유특정%반감독연합%비선성우화%모호C균치취류
anomaly detection%multiple features%semi-supervised combination%nonlinear optimization%Fuzzy C-Means
网络异常通常表现在多维特征中,而当前检测方法局限于一维特征或者多维特征的简单组合,使系统检测率低、误报率高.同时,有监督学习需要大量训练数据,而无监督学习准确率不足.因此,本文提出半监督联合模型(Semi-Supervised Combination,SMC)对数据的多维特征进行检测,通过解决非线性优化问题使联合过程信息损失最小化,较好地处理了噪声与孤立点.半监督学习方式利用少量已标记数据使模型更准确.本文以模糊C均值聚类(Fuzzy C-Means,FCM)作为基本检测器,经过实验验证,在目标误报率下基于SMC模型的异常检测算法的准确率比单个基本检测器提高了10％到20％.
網絡異常通常錶現在多維特徵中,而噹前檢測方法跼限于一維特徵或者多維特徵的簡單組閤,使繫統檢測率低、誤報率高.同時,有鑑督學習需要大量訓練數據,而無鑑督學習準確率不足.因此,本文提齣半鑑督聯閤模型(Semi-Supervised Combination,SMC)對數據的多維特徵進行檢測,通過解決非線性優化問題使聯閤過程信息損失最小化,較好地處理瞭譟聲與孤立點.半鑑督學習方式利用少量已標記數據使模型更準確.本文以模糊C均值聚類(Fuzzy C-Means,FCM)作為基本檢測器,經過實驗驗證,在目標誤報率下基于SMC模型的異常檢測算法的準確率比單箇基本檢測器提高瞭10％到20％.
망락이상통상표현재다유특정중,이당전검측방법국한우일유특정혹자다유특정적간단조합,사계통검측솔저、오보솔고.동시,유감독학습수요대량훈련수거,이무감독학습준학솔불족.인차,본문제출반감독연합모형(Semi-Supervised Combination,SMC)대수거적다유특정진행검측,통과해결비선성우화문제사연합과정신식손실최소화,교호지처리료조성여고립점.반감독학습방식이용소량이표기수거사모형경준학.본문이모호C균치취류(Fuzzy C-Means,FCM)작위기본검측기,경과실험험증,재목표오보솔하기우SMC모형적이상검측산법적준학솔비단개기본검측기제고료10％도20％.
