本文關鍵詞：ACO和SVM選擇加權特征的網(wǎng)絡攻擊監(jiān)測方法　出處：《科技通報》2015年10期 　論文類型：期刊論文

  更多相關文章： 特征選擇 特征加權 蟻群優(yōu)化算法 支持向量機 網(wǎng)絡攻擊檢測

【摘要】：特征選擇和分類器設計是網(wǎng)絡攻擊監(jiān)測的關鍵,為了提高網(wǎng)絡攻擊監(jiān)測率,針對特征選擇問題,提出一種蟻群算法選擇特征和SVM特征加權相結合的網(wǎng)絡攻擊檢測方法(ACO-SVM)。首先利用支持向量機的分類精度和特征子集維數(shù)加權構造了綜合適應度指標,利用蟻群算法的全局尋優(yōu)和多次優(yōu)解搜索能力實現(xiàn)特征子集搜索;然后選擇網(wǎng)絡數(shù)據(jù)的關鍵特征,計算信息增益獲得各個特征權重,并根據(jù)特征權重構建加權支持向量機的網(wǎng)絡攻擊分類器;最后設計了局部細化搜索方式,使得特征選擇結果不含冗余特征的同時提高了算法的收斂性,并通過KDD1999數(shù)據(jù)集驗證了算法有效性。結果表明,ACO-SVM有效降低了特征維數(shù),提高了網(wǎng)絡攻擊檢測正確率和檢測速度。
[Abstract]:Feature selection and classifier design is the key of network attack monitoring, in order to improve the monitoring network attack rate, according to the feature selection problem, proposed an ant colony algorithm of feature selection and SVM feature weighting combination of network attack detection method (ACO-SVM). By using support vector machine classification accuracy and feature subset dimension weighted to construct a comprehensive fitness the index, using ant colony algorithm global optimization and multiple optimal solution search ability to achieve feature subset search; and then select the key features of network data, calculating the information gain and obtain the feature weights, and according to the characteristics of network attack classifier weights to construct weighted support vector machine; finally design the local refined search methods, the results without feature selection the redundant features and improve the convergence of the algorithm, and through the KDD1999 data sets show the effectiveness of the proposed algorithms. The results show that ACO-SV M effectively reduces the feature dimension and improves the accuracy and detection speed of network attack detection.

【作者單位】： 順德職業(yè)技術學院;
【基金】：廣東省教育研究院教育研究課題(GDJY-2015-B-b058) 廣東省教育科學“十二五”規(guī)則課題(2012JK304) 順德職業(yè)技術學院2014年校級教學改革項目(2014-SZJGXM07)
【分類號】：TP393.08;TP18
【正文快照】： Internet規(guī)模日益增加,加上其開放性、無主管性和不設防性等特性,網(wǎng)絡攻擊手段復雜多變,而且攻擊數(shù)量和危害程度日益嚴重,網(wǎng)絡攻擊監(jiān)測一直是網(wǎng)絡安全防御研究中的重點[1]。在網(wǎng)絡入侵建模時,特征選擇和分類器設計至關重要,它們的好壞將直接影響網(wǎng)絡攻擊監(jiān)測性能[2]。由于原始

【參考文獻】

相關期刊論文 前4條

1 李燁;蔡云澤;尹汝潑;許曉鳴;;基于證據(jù)理論的多類分類支持向量機集成[J];計算機研究與發(fā)展;2008年04期

2 高海華;楊輝華;王行愚;;基于BPSO-SVM的網(wǎng)絡入侵特征選擇和檢測[J];計算機工程;2006年08期

3 陳友;程學旗;李洋;戴磊;;基于特征選擇的輕量級入侵檢測系統(tǒng)[J];軟件學報;2007年07期

4 涂亞平;劉萍;謝寶陵;吳海兵;;基本螞蟻算法中算法參數(shù)的優(yōu)化[J];小型微型計算機系統(tǒng);2007年11期

【共引文獻】

相關期刊論文 前10條

1 蘇思;姜禮平;鄒明;;基于多分類支持向量機和證據(jù)合成方法的多傳感器信息融合研究[J];兵工自動化;2010年01期

2 章小強;管霖;王同文;;針對特征選擇問題的改進蟻群算法及其在電力系統(tǒng)安全評估中的應用[J];電工技術學報;2010年12期

3 唐杰斌;周渝慧;陳向婷;郭昱霄;段煒;;基于遺傳算法與蟻群算法的電網(wǎng)規(guī)劃[J];電力需求側(cè)管理;2011年02期

4 李哲;夏立;吳正國;周衛(wèi)平;;UPQC輸出濾波器的優(yōu)化設計[J];電力自動化設備;2011年07期

5 蘇晉榮;;粒子群算法在異常檢測中的應用研究[J];電腦開發(fā)與應用;2011年06期

6 金偉健;;一種基于危險理論及模糊集的匹配免疫算法[J];電腦知識與技術;2009年08期

7 符楊;孟令合;胡榮;曹家麟;;改進多目標蟻群算法在電網(wǎng)規(guī)劃中的應用[J];電網(wǎng)技術;2009年18期

8 黎利輝;;基于遺傳模擬退火算法的入侵檢測特征選擇研究[J];計算機安全;2010年07期

9 龍燦;;網(wǎng)絡安全技術現(xiàn)狀與趨勢研究[J];福建電腦;2008年08期

10 楊永生;;多通道信息融合技術在故障診斷中的應用[J];光機電信息;2011年03期

相關會議論文 前2條

1 陳友;戴磊;程學旗;;基于MRMHC-C4．5的IP流分類[A];第三屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2007年

2 徐t，

本文編號：1424170