本文選題：入侵檢測系統(tǒng) + 互信息　； 參考：《西北大學學報(自然科學版)》2017年05期

【摘要】：在處理入侵檢測中的大規(guī)模數(shù)據(jù)時,冗余和不相關的特征數(shù)據(jù)長期造成網(wǎng)絡數(shù)據(jù)流量分類問題,這種特征會降低分類效率和精度,并影響系統(tǒng)的實時檢測率。該文提出了一種新的基于互信息的特征選擇算法(NMIFS),該算法能處理線性和非線性相關的特征數(shù)據(jù)。在數(shù)據(jù)預處理的過程中,使用該算法選擇出最優(yōu)特征,然后結(jié)合常見的最小二乘支持向量機算法(LSSVM)對數(shù)據(jù)進行分類。采用入侵檢測標準數(shù)據(jù)集KDD Cup 99對模型進行性能評估,對比其他新型的優(yōu)化算法,結(jié)果表明NMIFS算法更有助于LSSVM算法實現(xiàn)更高的分類精度和效率,降低計算復雜度,同時提高模型的檢測率。
[Abstract]:In dealing with large-scale data in intrusion detection, redundant and irrelevant feature data cause network data traffic classification problem for a long time, this feature will reduce the classification efficiency and accuracy, and affect the real-time detection rate of the system. In this paper, a new feature selection algorithm based on mutual information is proposed, which can deal with linear and nonlinear feature data. In the process of data preprocessing, the algorithm is used to select the optimal feature, and then the LSSVM-based least squares support vector machine (LSSVM) algorithm is used to classify the data. The KDD Cup 99 intrusion detection standard data set is used to evaluate the performance of the model. Compared with other new optimization algorithms, the results show that the NMIFS algorithm is more helpful to achieve higher classification accuracy and efficiency of the LSSVM algorithm and reduce the computational complexity. At the same time, the detection rate of the model is improved.
【作者單位】： 昆明理工大學信息工程與自動化學院;
【基金】：國家自然科學基金資助項目(61262040)
【分類號】：TP301.6;TP393.0

【相似文獻】

相關期刊論文 前10條

1 江乃雄;蔡民;;綜合距離特征選擇問題解的存在性與唯一性[J];計算機應用與軟件;1992年01期

2 吉小軍,李世中,李霆;相關分析在特征選擇中的應用[J];測試技術學報;2001年01期

3 賈沛;桑農(nóng);唐紅衛(wèi);;一種改進的類別依賴型特征選擇技術[J];計算機與數(shù)子工程;2003年06期

4 靖紅芳;王斌;楊雅輝;徐燕;;基于類別分布的特征選擇框架[J];計算機研究與發(fā)展;2009年09期

5 吳洪麗;朱顥東;周瑞瓊;;使用特征分辨率和差別對象對集的特征選擇[J];計算機工程與應用;2010年16期

6 楊藝;韓德強;韓崇昭;;基于排序融合的特征選擇[J];控制與決策;2011年03期

7 宣國榮;柴佩琪;;基于巴氏距離的特征選擇[J];模式識別與人工智能;1996年04期

8 范勁松,方廷健;特征選擇和提取要素的分析及其評價[J];計算機工程與應用;2001年13期

9 劉曉志;黃厚寬;尚文倩;;帶專業(yè)詞庫的特征選擇[J];北京交通大學學報;2006年02期

10 周瑞瓊;朱顥東;吳洪麗;;基于兩種特征貢獻度的特征選擇[J];河南科技大學學報(自然科學版);2010年05期

相關會議論文 前5條

1 靖紅芳;王斌;楊雅輝;;基于類別分布的特征選擇框架[A];第四屆全國信息檢索與內(nèi)容安全學術會議論文集（上）[C];2008年

2 李長升;盧漢清;;排序?qū)W習模型中的特征選擇[A];第六屆和諧人機環(huán)境聯(lián)合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（PCC2010）論文集[C];2010年

3 劉功申;李建華;李生紅;;基于類信息的特征選擇和加權(quán)方法[A];NCIRCS2004第一屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2004年

4 蒙新泛;王厚峰;;主客觀識別中的上下文因素的研究[A];中國計算機語言學研究前沿進展（2007-2009）[C];2009年

5 范麗;許潔萍;;基于GMM的音樂信號音色模型研究[A];第四屆和諧人機環(huán)境聯(lián)合學術會議論文集[C];2008年

相關博士學位論文 前10條

1 李靜;高維數(shù)據(jù)交互特征選擇和分類研究[D];燕山大學;2015年

2 王石平;粗糙擬陣及其在高維數(shù)據(jù)降維中的應用研究[D];電子科技大學;2014年

3 王博;文本分類中特征選擇技術的研究[D];國防科學技術大學;2009年

4 馮國忠;文本分類中的貝葉斯特征選擇[D];東北師范大學;2011年

5 張麗新;高維數(shù)據(jù)的特征選擇及基于特征選擇的集成學習研究[D];清華大學;2004年

6 王鋒;基于�；瘷C理的粗糙特征選擇高效算法研究[D];山西大學;2013年

7 梁建寧;特征選擇與圖像匹配[D];復旦大學;2011年

8 耿耀君;高通量數(shù)據(jù)特征選擇算法研究[D];西安電子科技大學;2013年

9 潘nQ;航空領域術語定義抽取關鍵技術及其應用研究[D];南京航空航天大學;2011年

10 官國宇;超高維兩值數(shù)據(jù)的動態(tài)分類方法研究[D];東北師范大學;2014年

相關碩士學位論文 前10條

1 張金蕾;蛋白質(zhì)SUMO化修飾位點預測的數(shù)據(jù)挖掘技術研究[D];西北農(nóng)林科技大學;2015年

2 張斌斌;網(wǎng)絡股評的傾向性分析[D];中央民族大學;2015年

3 劉樹龍;特征選擇在軟件缺陷預測中的應用技術研究[D];南京大學;2015年

4 馬治濤;文本分類停用詞處理和特征選擇技術研究[D];西安電子科技大學;2014年

5 魏莎莎;基因表達數(shù)據(jù)的特征選擇及其分類算法研究[D];中國計量學院;2015年

6 周曼麗;生物數(shù)據(jù)分類問題的降維及規(guī)劃算法研究[D];中國科學院深圳先進技術研究院;2015年

7 蘭天;CUDA平臺下基于分層多組粒子群算法的特征選擇研究[D];重慶大學;2015年

8 史德飛;自適應特征選擇在線瓷磚分類系統(tǒng)[D];南京大學;2014年

9 徐子偉;基于分步特征選擇和組合分類器的電信客戶流失預測模型[D];中國科學技術大學;2016年

10 肖麗莎;半監(jiān)督特征選擇關鍵技術研究[D];西南交通大學;2016年

，

本文編號：1951682