發(fā)布時(shí)間：2022-10-18 19:10

　　為滿足入侵檢測(cè)的實(shí)時(shí)性和準(zhǔn)確性要求,通過(guò)結(jié)合支持向量機(jī)（SVM）和K最近鄰（KNN）算法設(shè)計(jì)IL-SVM-KNN分類器,并采用平衡k維樹(shù)作為數(shù)據(jù)結(jié)構(gòu)提升執(zhí)行速度。訓(xùn)練階段應(yīng)用增量學(xué)習(xí)思想并考慮知識(shí)庫(kù)的擴(kuò)展,分類階段則利用SVM和KNN算法將待分類數(shù)據(jù)分成3種情況應(yīng)用不同的分類策略�；贙DD CUP99和NSL-KDD數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),結(jié)果表明,IL-SVM-KNN能夠區(qū)分正常流量和異常流量并準(zhǔn)確判斷異常流量的攻擊類型,其準(zhǔn)確率較KNN算法和SVM算法有明顯提升,判斷攻擊類型的準(zhǔn)確性高于決策樹(shù)、隨機(jī)森林和XGBoost算法,并且較兩層卷積神經(jīng)網(wǎng)絡(luò)消耗時(shí)間更少,資源消耗更低。 

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
0 概述
1 相關(guān)知識(shí)
    1.1 SVM與KNN算法
    1.2 k維樹(shù)
    1.3 k維樹(shù)中的K最近鄰搜索
2 IL-SVM-KNN分類器設(shè)計(jì)
    2.1 訓(xùn)練階段
    2.2 分類階段
3 實(shí)驗(yàn)與結(jié)果分析
    3.1 實(shí)驗(yàn)數(shù)據(jù)
    3.2 實(shí)驗(yàn)環(huán)境
    3.3 評(píng)價(jià)指標(biāo)
    3.4 數(shù)據(jù)預(yù)處理
    3.5 實(shí)驗(yàn)結(jié)果
        3.5.1 KDD CUP99數(shù)據(jù)集實(shí)驗(yàn)結(jié)果對(duì)比
        3.5.2 NSL-KDD數(shù)據(jù)集實(shí)驗(yàn)結(jié)果對(duì)比
4 結(jié)束語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]融合CNN與BiLSTM的網(wǎng)絡(luò)入侵檢測(cè)方法[J]. 劉月峰,蔡爽,楊涵晰,張晨榮.  計(jì)算機(jī)工程. 2019(12)
[2]基于dCNN的入侵檢測(cè)方法[J]. 張思聰,謝曉堯,徐洋.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)和KNN的短文本分類算法研究[J]. 殷亞博,楊文忠,楊慧婷,許超英.  計(jì)算機(jī)工程. 2018(07)
[4]入侵檢測(cè)中基于SVM的兩級(jí)特征選擇方法[J]. 武小年,彭小金,楊宇洋,方堃.  通信學(xué)報(bào). 2015(04)
[5]基于統(tǒng)計(jì)相關(guān)性與K-means的區(qū)分基因子集選擇算法[J]. 謝娟英,高紅超.  軟件學(xué)報(bào). 2014(09)
[6]基于特征子集區(qū)分度與支持向量機(jī)的特征選擇算法[J]. 謝娟英,謝維信.  計(jì)算機(jī)學(xué)報(bào). 2014(08)
[7]基于雙聯(lián)支持向量機(jī)的入侵檢測(cè)技術(shù)[J]. 王昊,華繼學(xué),范曉詩(shī).  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2013(06)
[8]支持向量機(jī)增量學(xué)習(xí)算法綜述[J]. 李祥納,艾青,秦玉平,劉衛(wèi)江.  渤海大學(xué)學(xué)報(bào)(自然科學(xué)版). 2007(02)

碩士論文
[1]基于增量學(xué)習(xí)的三支決策KNN算法的研究與應(yīng)用[D]. 曹婧.西安理工大學(xué) 2018



本文編號(hào)：3692890