![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于LUS-PSO权重优化的入侵检测技术研究.pdf
《基于LUS-PSO权重优化的入侵检测技术研究.pdf》由会员分享,可在线阅读,更多相关《基于LUS-PSO权重优化的入侵检测技术研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、机器学习中,多个分类器的组合称为集成分类器,此方法优于单个分类器。特定数据集找到合适的集成配置仍然是非常困难。基于这个问题,提出 权重优化的方法,使用粒子群算法生成的权重,进而生成更加准确的分类器集合。然后局部单峰采样方法作为元优化器,查找粒子群算法更好的行为参数。集成学习的分类器由该方法和加权多数投票共同决定的。实验结果表明,该检测模型生成的分类器在分类准确率方面更优。关键词:入侵检测;权重优化;集成学习中图分类号:犜 犘 文献标识码:犃 引言近年来,网络安全已经成为一个非常重要的问题,关系到人们生活的方方面面网络安全的第一道防线,防火墙已是最普遍的防护方式但是随着攻击技术不断迭代和攻击工具
2、的复杂多变,现有的防火墙方式已经无法满足网络安全的需求因此,网络的防护需要一种更加有效的、更加多样的方式现如今,集成学习已经得到很好的研究,并且大量用于提高一些分类任务的准确率现在,已有的集成方法包括平均合成器、中位数合成器、最大合成器、多数投票和加权多数投票()由于其概念简单、直观和在实践中的有效性,是迄今为止最受欢迎的图入侵检测模型本文提出基于 权重优化的入侵检测模型该模型先训练个 和个 弱分类的分类器然后,使用粒子群算法、元优化粒子群算法和加权多数算法()方法的集成学习模型这些模型综合 个分类器的意见,得出最后的决定最后,实验证明该模型在攻击检测的准确性和误报率等方面更优 入侵检测模型本
3、文提出基于 权重优化的入侵检测模型,其模型如图所示其中,该入侵检测模型包括数据预处理和攻击检测个部分 数据预处理 数据集是入侵检测中最常用的数据集,常用于评价入侵检测算法的性能但是如今,研究人员已经证实最简单的机器学习算法在训练集上已经能达到 的检测正确率,并且在测试集上的第 卷 第期 年月河 北 建 筑 工 程 学 院 学 报犑 犗 犝 犚 犖 犃 犔犗 犉犎 犈 犅 犈 犐犐 犖 犛 犜 犐 犜 犝 犜 犈犗 犉犃 犚 犆 犎 犐 犜 犈 犆 犜 犝 犚 犈犃 犖 犇犆 犐 犞 犐 犔犈 犖 犌 犐 犖 犈 犈 犚 犐 犖 犌犞 狅 犾 犖 狅 犑 狌 狀 准确率也能达到 大量实验证明了
4、数据集存在以下两个缺陷:一是训练集中存在大量的重复数据,导致分类算法容易过拟合;二是测试集中的大部分数据与训练集中数据重复,使得在算法比较时,说服力不足本文使用的数据集是 数据集,该数据集完美解决这两个缺点 数据集中的每条数据都具有 条特征,其中包括网络协议、目标主机的网络服务类型和数据流量等特征这些特征有字符型和数字型,但机器学习只能处理数字型,因此 数据集需要进行数值标准化和数值归一化的处理 攻击检测本文提出一种 权重优化的入侵检测模型通过权重模型生成分类器的权值,得出最后的决定 集成学习集成学习可以将不同类型的单一机器学习算法组合,通过利用组合的策略,对不同的算法进行层次划分,然后在不同
5、的层次中进行训练,最后整合所有的单一模型的效果,提高预测的能力因此,集成学习算法能在很多方面都能得到很好的应用 集成学习框架的基本原理如图所示,在图中,该框架划分为两个结构第一层中的模型被称为弱分类器,这里的弱分类器需要对训练集进行训练,然后将结果输出到第二层学习器,得到最终的输出图 模型原理 集成学习中,训练集样本进入到模型以后,首先进行随机划分,然后输入到不同的分类器中进行建模分类器在建模后传递预测结果至第二层分类器中,而元分类器则通过输入信号估计最后的结果在整理结果的时候,主要使用对元分类器的学习能力加以优化,从而增强了模型的返回能力和扩充能力,并且通过尝试使用不同的元分类器,也可以得到
6、不同的学习效果由于不同的算法具有不同的置信度因此,需要构建一个能平衡个别分类器在特定数据集上的弱分类器,为此引入加权的概念加权多数投票的定义为:狔犪 狉 犵 犿 犪 狓犿犼犼犡犃(犆犼(狓)犻)()式中:犼为权值,狔与犆犼(狓)是集成学习器预测标签 权重优化()局部单峰采样局部单峰采样()方法也用于元优化器,以便于从 找到更好的参数单峰函数是指有一个峰的函数,它可定义为:第期臧世伟 等基于 权重优化的入侵检测技术研究定义:设犳(狓)是定义在犪,犫 上的函数,若:存在狓犪,犫 使犿 犻 狀狓(犪,犫)犳(狓)犳(狓)对任意的犪狓狓犫,当狓狓时,犳(狓)犳(狓);当狓狓时,犳(狓)犳(狓)则称犳(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LUS PSO 权重 优化 入侵 检测 技术研究
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。