入侵檢測,作為防火墻之后的第二道防護(hù),它是以旁路監(jiān)聽的方式,在不影響當(dāng)前網(wǎng)絡(luò)環(huán)境正常運作的前提下,通過收集網(wǎng)絡(luò)中的數(shù)據(jù)信息,并進(jìn)行分析。探測是否存在違反安全策略的異常行為或者襲擊現(xiàn)象,并相應(yīng)的進(jìn)行響應(yīng)。從而能夠有效地保障信息安全。事實上,由于網(wǎng)絡(luò)入侵檢測數(shù)據(jù)中各類型攻擊樣本分布的極不均衡性,少數(shù)類樣本（U2R,R2L）和多數(shù)類樣本占比差異可能很大。從而導(dǎo)致傳統(tǒng)單一的分類模型對于少數(shù)類樣本的探測情況不太理想。為了解決這個問題,人們嘗試采用集成學(xué)習(xí)的方法,將多個單一分類模型按照某種組合策略進(jìn)行結(jié)合,通過結(jié)合這些假設(shè)函數(shù),可以擴展最終用于表示的函數(shù)空間,從而使得集成后的結(jié)果能夠?qū)φ嬲奈粗僭O(shè)形成更為精確的近似。那么為了獲得較好的集成效果,現(xiàn)有的文獻(xiàn)當(dāng)中,多是通過對數(shù)據(jù)集統(tǒng)一的進(jìn)行預(yù)處理,然后挑選出基礎(chǔ)分類模型進(jìn)行集成,而不分別對各模型進(jìn)行考慮。但是由于集成學(xué)習(xí)最終的分類結(jié)果很大程度上依賴于基礎(chǔ)分類模型的性能,使得各模型達(dá)到性能尖峰的預(yù)處理方法可能不同。故而本文嘗試通過對各分類模型獨立地進(jìn)行優(yōu)化操作,并且選取其中性能表現(xiàn)較為理想的分類模型加入集成框架。通過仿真結(jié)果可以發(fā)現(xiàn),經(jīng)過獨立優(yōu)化過后,... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【圖文】：

集成學(xué)習(xí)的一般結(jié)構(gòu)

學(xué)習(xí)器結(jié)合所帶來的三個好處[11]

不能被線性或圓形分類器所學(xué)習(xí)的復(fù)雜決策邊界[8]


本文編號：3085648