針對(duì)高維數(shù)據(jù)集中噪聲特征對(duì)支持向量機(jī)入侵檢測(cè)分類器在時(shí)間復(fù)雜度等性能方面的影響,提出了一種基于特征選擇與遺傳算法改進(jìn)的支持向量機(jī)網(wǎng)絡(luò)入侵檢測(cè)方法。通過在入侵檢測(cè)數(shù)據(jù)集KDD99上的仿真實(shí)驗(yàn)分析,與傳統(tǒng)的入侵檢測(cè)SVM分類算法相比較,一定程度上降低了分類器建模時(shí)間,提高了網(wǎng)絡(luò)攻擊檢測(cè)的精確度。 

【文章來源】：龍巖學(xué)院學(xué)報(bào). 2020,38(02)

【文章頁數(shù)】：6 頁

【部分圖文】：

數(shù)據(jù)集特征權(quán)重示意圖

圖2 算法運(yùn)行時(shí)間比較從表6和圖2、圖3分析可得,與傳統(tǒng)的SVM算法、基于遺傳算法優(yōu)化SVM算法相比,基于特征選擇與遺傳算法改進(jìn)的支持向量機(jī)降低了算法時(shí)間復(fù)雜度,一定程度上提高了算法的預(yù)測(cè)精度。

表6 算法仿真實(shí)驗(yàn)結(jié)果分析 測(cè)試數(shù)據(jù)集 算法 時(shí)間/s 檢測(cè)精度/% 檢測(cè)率/% 5000 SVM 160.183 0.958 0.935 G-SVM 158.036 0.961 0.942 R-G-SVM 142.752 0.966 0.943 10000 SVM 405.621 0.962 0.925 G-SVM 401.539 0.968 0.922 R-G-SVM 397.236 0.973 0.928 20000 SVM 754.171 0.949 0.932 G-SVM 739.200 0.950 0.935 R-G-SVM 712.256 0.953 0.923圖3 算法預(yù)測(cè)精度比較


本文編號(hào)：3451968