網(wǎng)絡(luò)數(shù)據(jù)量的增加導(dǎo)致計(jì)算復(fù)雜度和時(shí)間復(fù)雜度增加,為提高網(wǎng)絡(luò)入侵檢測的精度與速度,提出一種新的入侵檢測方法 RICSA-KELM。首先采用Relief F過濾法除去無關(guān)特征和噪聲,降低特征維數(shù);然后基于改進(jìn)烏鴉搜索算法（ICSA,采用封裝法）進(jìn)行最優(yōu)特征子集選擇,并同步實(shí)現(xiàn)核極限學(xué)習(xí)機(jī)（KELM）分類器的參數(shù)優(yōu)化。設(shè)計(jì)的線性加權(quán)目標(biāo)函數(shù)在考慮最大分類精度的同時(shí),盡可能減少誤報(bào)率以及特征子集數(shù)量。此外,提出了基于多核平臺(tái)的多線程并行計(jì)算方法,進(jìn)一步優(yōu)化模型運(yùn)算方式,提高了計(jì)算效率。實(shí)驗(yàn)采用KDD99和UNSW-NB15數(shù)據(jù)集對(duì)RICSA-KELM性能進(jìn)行測試和分析。實(shí)驗(yàn)結(jié)果表明,提出的模型優(yōu)于SVM、ELM、KNN等方法,檢測準(zhǔn)確率高、檢測效率快、誤報(bào)率低,是一種有效的網(wǎng)絡(luò)入侵檢測方法。 

【文章來源】：計(jì)算機(jī)應(yīng)用研究. 2019,36(10)北大核心CSCD

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 Relief F算法
2 ICSA
    2.1 連續(xù)CSA算法
    2.2 離散CSA
3 RICSA-EKELM模型
    3.1 串行模型
    3.2 并行模型
4 實(shí)驗(yàn)分析
    4.1 數(shù)據(jù)描述與處理
    4.2 實(shí)驗(yàn)設(shè)置
    4.3 實(shí)驗(yàn)結(jié)果分析
5 結(jié)束語


【參考文獻(xiàn)】：
期刊論文
[1]融合FAST特征選擇與ABQGSA-SVM的網(wǎng)絡(luò)入侵檢測[J]. 李叢,閆仁武,朱長水,高廣銀.  計(jì)算機(jī)應(yīng)用研究. 2017(07)
[2]一種融合Kmeans和KNN的網(wǎng)絡(luò)入侵檢測算法[J]. 華輝有,陳啟買,劉海,張陽,袁沛權(quán).  計(jì)算機(jī)科學(xué). 2016(03)
[3]構(gòu)造稀疏最小二乘支持向量機(jī)的網(wǎng)絡(luò)入侵檢測模型[J]. 張紅梅,高海華,王行愚.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(06)



本文編號(hào)：3274605