基于改进SVM的网络恶意流量识别与分类的算法研究

发布时间：2021-04-16 08:01

　　恶意流量检测作为一种可以积极主动防御的技术,可以弥补传统安全技术的局限性。支持向量机作为恶意流量检测中一种常用的机器学习算法,其相关参数不易确定但是却对分类结果造成巨大影响。而引力搜索算法是一种新型智能搜索算法,算法具备优良的性能,但使用传统引力搜索算法寻优时,常常出现局部优化的问题。而提高恶意流量检测的效果,不仅可以通过改善分类器性能,特征选择对恶意流量检测而言也是至关重要的一环。冗余特征的存在不仅会降低分类模型的性能,同时又会大大增加模型的分类时间,因此如何有效地进行特征选择也是现在的研究热点。本文基于这些问题做了如下工作:1.本文对引力搜索算法进行改进,主要针对该算法中引力常量前期快速下降、粒子无群体学习能力等容易造成局部优化的缺点,通过引入Sigmoid函数、粒子群算法思想等手段提升算法的寻优能力。之后利用基准函数对传统算法及相关算法进行测试,结果证明了本文改进算法不仅具有良好的寻优能力同时具备了跳出局部优化的能力。最后利用本文算法通过对支持向量机中相关参数进行寻优构建分类器,利用NSL-KDD数据集进行恶意流量检测,最终实验结果表明经过优化之后分类准确率有效提高8.3%,与对... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

部分基准函数迭代曲线

部分基

重庆邮电大学硕士学位论文第3章基于改进引力搜索算法的SVM的参数优化及应用35图3.10测试集实际分类和预测分类图图3.11平均准确率对比图3.6本章小结本章首先通过对引力搜索算法流程的详细研究，发现了一些可能导致局部优化问题的算法步骤，如引力常量的计算、无群体学习性等。本文算法通过改进这些步骤来提升整体的寻优效果，之后通过基准函数进行测试，仿真结果表明，本文算法无论是在全局优化能力及逃脱局部优化能力皆优于对比算法。之后利用本文算法构建支持向量机参数优化模型，并利用UCI数据集以及入侵检测数据集与传统方法进行对比实验，实验结果进一步说明本文算法的有效性。01000200030004000500060007000-1-0.500.51测试集样本类别标签测试集的实际分类和预测分类图实际测试集分类预测测试集分类


本文编号：3141054