基于互信息的特征选择在入侵检测中的优化

发布时间：2018-05-29 16:56

  本文选题：入侵检测系统 + 互信息　； 参考：《西北大学学报(自然科学版)》2017年05期

【摘要】：在处理入侵检测中的大规模数据时,冗余和不相关的特征数据长期造成网络数据流量分类问题,这种特征会降低分类效率和精度,并影响系统的实时检测率。该文提出了一种新的基于互信息的特征选择算法(NMIFS),该算法能处理线性和非线性相关的特征数据。在数据预处理的过程中,使用该算法选择出最优特征,然后结合常见的最小二乘支持向量机算法(LSSVM)对数据进行分类。采用入侵检测标准数据集KDD Cup 99对模型进行性能评估,对比其他新型的优化算法,结果表明NMIFS算法更有助于LSSVM算法实现更高的分类精度和效率,降低计算复杂度,同时提高模型的检测率。
[Abstract]:In dealing with large-scale data in intrusion detection, redundant and irrelevant feature data cause network data traffic classification problem for a long time, this feature will reduce the classification efficiency and accuracy, and affect the real-time detection rate of the system. In this paper, a new feature selection algorithm based on mutual information is proposed, which can deal with linear and nonlinear feature data. In the process of data preprocessing, the algorithm is used to select the optimal feature, and then the LSSVM-based least squares support vector machine (LSSVM) algorithm is used to classify the data. The KDD Cup 99 intrusion detection standard data set is used to evaluate the performance of the model. Compared with other new optimization algorithms, the results show that the NMIFS algorithm is more helpful to achieve higher classification accuracy and efficiency of the LSSVM algorithm and reduce the computational complexity. At the same time, the detection rate of the model is improved.
【作者单位】： 昆明理工大学信息工程与自动化学院;
【基金】：国家自然科学基金资助项目(61262040)
【分类号】：TP301.6;TP393.0

【相似文献】

相关期刊论文 前10条

1 江乃雄;蔡民;;综合距离特征选择问题解的存在性与唯一性[J];计算机应用与软件;1992年01期

2 吉小军,李世中,李霆;相关分析在特征选择中的应用[J];测试技术学报;2001年01期

3 贾沛;桑农;唐红卫;;一种改进的类别依赖型特征选择技术[J];计算机与数子工程;2003年06期

4 靖红芳;王斌;杨雅辉;徐燕;;基于类别分布的特征选择框架[J];计算机研究与发展;2009年09期

5 吴洪丽;朱颢东;周瑞琼;;使用特征分辨率和差别对象对集的特征选择[J];计算机工程与应用;2010年16期

6 杨艺;韩德强;韩崇昭;;基于排序融合的特征选择[J];控制与决策;2011年03期

7 宣国荣;柴佩琪;;基于巴氏距离的特征选择[J];模式识别与人工智能;1996年04期

8 范劲松,方廷健;特征选择和提取要素的分析及其评价[J];计算机工程与应用;2001年13期

9 刘晓志;黄厚宽;尚文倩;;带专业词库的特征选择[J];北京交通大学学报;2006年02期

10 周瑞琼;朱颢东;吴洪丽;;基于两种特征贡献度的特征选择[J];河南科技大学学报(自然科学版);2010年05期

相关会议论文 前5条

1 靖红芳;王斌;杨雅辉;;基于类别分布的特征选择框架[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

2 李长升;卢汉清;;排序学习模型中的特征选择[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

3 刘功申;李建华;李生红;;基于类信息的特征选择和加权方法[A];NCIRCS2004第一届全国信息检索与内容安全学术会议论文集[C];2004年

4 蒙新泛;王厚峰;;主客观识别中的上下文因素的研究[A];中国计算机语言学研究前沿进展（2007-2009）[C];2009年

5 范丽;许洁萍;;基于GMM的音乐信号音色模型研究[A];第四届和谐人机环境联合学术会议论文集[C];2008年

相关博士学位论文 前10条

1 李静;高维数据交互特征选择和分类研究[D];燕山大学;2015年

2 王石平;粗糙拟阵及其在高维数据降维中的应用研究[D];电子科技大学;2014年

3 王博;文本分类中特征选择技术的研究[D];国防科学技术大学;2009年

4 冯国忠;文本分类中的贝叶斯特征选择[D];东北师范大学;2011年

5 张丽新;高维数据的特征选择及基于特征选择的集成学习研究[D];清华大学;2004年

6 王锋;基于粒化机理的粗糙特征选择高效算法研究[D];山西大学;2013年

7 梁建宁;特征选择与图像匹配[D];复旦大学;2011年

8 耿耀君;高通量数据特征选择算法研究[D];西安电子科技大学;2013年

9 潘nQ;航空领域术语定义抽取关键技术及其应用研究[D];南京航空航天大学;2011年

10 官国宇;超高维两值数据的动态分类方法研究[D];东北师范大学;2014年

相关硕士学位论文 前10条

1 张金蕾;蛋白质SUMO化修饰位点预测的数据挖掘技术研究[D];西北农林科技大学;2015年

2 张斌斌;网络股评的倾向性分析[D];中央民族大学;2015年

3 刘树龙;特征选择在软件缺陷预测中的应用技术研究[D];南京大学;2015年

4 马治涛;文本分类停用词处理和特征选择技术研究[D];西安电子科技大学;2014年

5 魏莎莎;基因表达数据的特征选择及其分类算法研究[D];中国计量学院;2015年

6 周曼丽;生物数据分类问题的降维及规划算法研究[D];中国科学院深圳先进技术研究院;2015年

7 兰天;CUDA平台下基于分层多组粒子群算法的特征选择研究[D];重庆大学;2015年

8 史德飞;自适应特征选择在线瓷砖分类系统[D];南京大学;2014年

9 徐子伟;基于分步特征选择和组合分类器的电信客户流失预测模型[D];中国科学技术大学;2016年

10 肖丽莎;半监督特征选择关键技术研究[D];西南交通大学;2016年

，

本文编号：1951682