惡意流量檢測作為一種可以積極主動(dòng)防御的技術(shù),可以彌補(bǔ)傳統(tǒng)安全技術(shù)的局限性。支持向量機(jī)作為惡意流量檢測中一種常用的機(jī)器學(xué)習(xí)算法,其相關(guān)參數(shù)不易確定但是卻對(duì)分類結(jié)果造成巨大影響。而引力搜索算法是一種新型智能搜索算法,算法具備優(yōu)良的性能,但使用傳統(tǒng)引力搜索算法尋優(yōu)時(shí),常常出現(xiàn)局部優(yōu)化的問題。而提高惡意流量檢測的效果,不僅可以通過改善分類器性能,特征選擇對(duì)惡意流量檢測而言也是至關(guān)重要的一環(huán)。冗余特征的存在不僅會(huì)降低分類模型的性能,同時(shí)又會(huì)大大增加模型的分類時(shí)間,因此如何有效地進(jìn)行特征選擇也是現(xiàn)在的研究熱點(diǎn)。本文基于這些問題做了如下工作:1.本文對(duì)引力搜索算法進(jìn)行改進(jìn),主要針對(duì)該算法中引力常量前期快速下降、粒子無群體學(xué)習(xí)能力等容易造成局部優(yōu)化的缺點(diǎn),通過引入Sigmoid函數(shù)、粒子群算法思想等手段提升算法的尋優(yōu)能力。之后利用基準(zhǔn)函數(shù)對(duì)傳統(tǒng)算法及相關(guān)算法進(jìn)行測試,結(jié)果證明了本文改進(jìn)算法不僅具有良好的尋優(yōu)能力同時(shí)具備了跳出局部優(yōu)化的能力。最后利用本文算法通過對(duì)支持向量機(jī)中相關(guān)參數(shù)進(jìn)行尋優(yōu)構(gòu)建分類器,利用NSL-KDD數(shù)據(jù)集進(jìn)行惡意流量檢測,最終實(shí)驗(yàn)結(jié)果表明經(jīng)過優(yōu)化之后分類準(zhǔn)確率有效提高8.3%,與對(duì)... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

部分基準(zhǔn)函數(shù)迭代曲線

部分基

重慶郵電大學(xué)碩士學(xué)位論文第3章基于改進(jìn)引力搜索算法的SVM的參數(shù)優(yōu)化及應(yīng)用35圖3.10測試集實(shí)際分類和預(yù)測分類圖圖3.11平均準(zhǔn)確率對(duì)比圖3.6本章小結(jié)本章首先通過對(duì)引力搜索算法流程的詳細(xì)研究，發(fā)現(xiàn)了一些可能導(dǎo)致局部優(yōu)化問題的算法步驟，如引力常量的計(jì)算、無群體學(xué)習(xí)性等。本文算法通過改進(jìn)這些步驟來提升整體的尋優(yōu)效果，之后通過基準(zhǔn)函數(shù)進(jìn)行測試，仿真結(jié)果表明，本文算法無論是在全局優(yōu)化能力及逃脫局部優(yōu)化能力皆優(yōu)于對(duì)比算法。之后利用本文算法構(gòu)建支持向量機(jī)參數(shù)優(yōu)化模型，并利用UCI數(shù)據(jù)集以及入侵檢測數(shù)據(jù)集與傳統(tǒng)方法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果進(jìn)一步說明本文算法的有效性。01000200030004000500060007000-1-0.500.51測試集樣本類別標(biāo)簽測試集的實(shí)際分類和預(yù)測分類圖實(shí)際測試集分類預(yù)測測試集分類


本文編號(hào)：3141054