在入侵檢測中,傳統(tǒng)的極限學(xué)習(xí)機(jī)(ELM)沒有考慮到兩方面的問題:一是誤分類代價(jià)的敏感問題,在網(wǎng)絡(luò)入侵檢測中,需要考慮到誤分類代價(jià)不同的問題,并以實(shí)現(xiàn)期望代價(jià)最小化為目標(biāo);二是冗余特征的處理問題,當(dāng)入侵特征維數(shù)較多時(shí),會(huì)存在著大量的冗余特征的問題,如果直接對(duì)高維數(shù)據(jù)進(jìn)行分類,不僅入侵模式不能被準(zhǔn)確分類,誤檢率較高,并且大量的冗余數(shù)據(jù)既耗費(fèi)了系統(tǒng)的資源,也增大了入侵檢測的時(shí)間。針對(duì)這兩方面的問題,提出一種基于主成分分析法的代價(jià)敏感極限學(xué)習(xí)機(jī)(ELM)。通過主成分分析法對(duì)數(shù)據(jù)進(jìn)行降維,確定主要特征;再將預(yù)處理后的數(shù)據(jù)訓(xùn)練極限學(xué)習(xí)機(jī)(ELM),以實(shí)現(xiàn)期望代價(jià)最小化為目標(biāo),從而實(shí)現(xiàn)降低入侵檢測的檢測時(shí)間,降低檢測誤報(bào)率,提高檢測準(zhǔn)確率的目的。實(shí)驗(yàn)表明,在入侵檢測中,基于主成分析法的代價(jià)敏感極限學(xué)習(xí)機(jī)(ELM)與傳統(tǒng)的ELM相比,不僅使分類準(zhǔn)確率得到提高,降低了分類的誤報(bào)率,而且在分類速度上也有一定的優(yōu)越性,提高了網(wǎng)絡(luò)運(yùn)行的效率。

【文章頁數(shù)】：5 頁


本文編號(hào)：3792783