為了改善基于K-近鄰（K-nearest neighbor,KNN）入侵檢測模型的性能,提出一種基于局部搜索算法的元優(yōu)化特征權重KNN入侵檢測模型。利用差分進化算法優(yōu)化特征權重,采用基于局部單峰采樣（local unimodal sampling,LUS）的元優(yōu)化模型對差分進化算法進行優(yōu)化。應用NSL數(shù)據(jù)集進行仿真實驗,將本優(yōu)化模型和其他常用智能啟發(fā)算法,包括遺傳算法（genetic algorithm,GA）、粒子群優(yōu)化（particle swarm optimization,PSO）算法和灰狼優(yōu)化（grey wolf optimization,GWO）算法進行比較。實驗結果表明,與傳統(tǒng)KNN算法模型相比,該模型的準確率提高了2. 86%,檢測率提高了3. 18%,誤報率降低了50%,而且基于元優(yōu)化的優(yōu)化策略優(yōu)于其他常用優(yōu)化算法。 

【文章來源】：北京工業(yè)大學學報. 2020,46(01)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

元優(yōu)化模型

基于DE優(yōu)化的KNN入侵檢測模型

基于DE-KNN的入侵檢測算法流程圖

【參考文獻】：
期刊論文
[1]基于互信息的�；卣骷訖喽鄻撕瀸W習k近鄰算法[J]. 李峰,苗奪謙,張志飛,張維.  計算機研究與發(fā)展. 2017(05)



本文編號：3411947