基于属性约简与半监督协同训练的入侵检测算法

发布时间：2018-10-09 08:42

【摘要】：入侵检测数据具有信息冗余量大、标记数据难以获得等特点。传统入侵检测方法难以消除冗余信息并且需要大量已标记样本做训练集,导致检测效率降低,实用性下降。为了解决上述问题,提出一种结合属性约简与半监督协同训练的算法。该算法充分发挥了大量未标记样本的监督作用。首先将入侵数据进行属性约简,利用约简结果建立一个支持向量机(SVM)基分类器,然后将其与另外两个SVM辅助分类器做协同训练。如此,分类器界面得到反复修正,分类器的性能逐步得到改善,最终分类精度得到明显提高。在入侵检测数据集KDDCUP99上的仿真实验结果表明,该算法不仅可以提高检测精度,同时还具有良好的可行性、稳定性。
[Abstract]:Intrusion detection data is characterized by large amount of redundant information and difficult to obtain tagged data. Traditional intrusion detection methods are difficult to eliminate redundant information and need a large number of labeled samples to do training set, which results in lower detection efficiency and lower practicability. In order to solve the above problems, an algorithm combining attribute reduction and semi-supervised training is proposed. The algorithm has the function of supervising a large number of unlabeled samples. Firstly, the intrusion data is reduced to attributes, and a support vector machine (SVM) (SVM) base classifier is established by using the reduction results, and then it is trained in cooperation with the other two SVM auxiliary classifiers. As a result, the classifier interface is modified repeatedly, the performance of the classifier is improved step by step, and the classification accuracy is improved obviously. The simulation results on the intrusion detection dataset KDDCUP99 show that the proposed algorithm can not only improve the detection accuracy, but also has good feasibility and stability.
【作者单位】： 江苏科技大学计算机科学与工程学院;
【基金】：江苏省高校自然科学基金资助项目(05KJD52006) 江苏科技大学科研资助项目(2005DX006J)
【分类号】：TP393.08

【参考文献】

相关期刊论文 前6条

1 陈仕涛;陈国龙;郭文忠;刘延华;;基于粒子群优化和邻域约简的入侵检测日志数据特征选择[J];计算机研究与发展;2010年07期

2 易哲;李伟生;;基于粗糙集和遗传约简算法的入侵检测方法[J];计算机工程与应用;2010年21期

3 缪志敏;赵陆文;胡谷雨;王琼;;基于单类分类器的半监督学习[J];模式识别与人工智能;2009年06期

4 饶鲜,董春曦,杨绍全;基于支持向量机的入侵检测系统[J];软件学报;2003年04期

5 梁吉业;高嘉伟;常瑜;;半监督学习研究进展[J];山西大学学报(自然科学版);2009年04期

6 王汝山;李永忠;;基于半监督学习的入侵检测算法研究[J];微电子学与计算机;2009年10期

【共引文献】

相关期刊论文 前10条

1 牟少敏;田盛丰;尹传环;;基于协同聚类的多核学习[J];北京交通大学学报;2008年02期

2 费立新;宋吉学;禹兴华;;支持向量机在飞机状态监控中的应用[J];电光与控制;2007年06期

3 陈振国;李冬艳;;运用核Fisher鉴别分析和MPM分类器的入侵检测[J];电子科技大学学报;2007年06期

4 杨宏宇;李春林;;采用FA和SVDFRM的SVM入侵检测分类模型[J];电子科技大学学报;2009年02期

5 杨宏宇;朱丹;谢丰;谢丽霞;;入侵异常检测研究综述[J];电子科技大学学报;2009年05期

6 刘蓉;;半监督学习的Co-training算法研究[J];电脑编程技巧与维护;2010年14期

7 荆守波,高鹏翔;基于相空间重构和一类分类的异常入侵检测[J];电脑开发与应用;2004年08期

8 陈竞;苗茹;;入侵检测系统研究[J];电脑知识与技术(学术交流);2007年13期

9 朱丽叶;;一种基于SVM的新型混合网络入侵检测模型[J];电脑知识与技术;2009年17期

10 卢芬;张成新;;路由器中基于支持向量机(SVM)的异常检测方法研究[J];计算机安全;2010年01期

相关博士学位论文 前10条

1 汤义;智能交通系统中基于视频的行人检测与跟踪方法的研究[D];华南理工大学;2010年

2 王娟;大规模网络安全态势感知关键技术研究[D];电子科技大学;2010年

3 卓莹;基于拓扑·流量挖掘的网络态势感知技术研究[D];国防科学技术大学;2010年

4 刘松华;核矩阵低秩分解与核空间信息能度量研究及应用[D];西安电子科技大学;2011年

5 杨旭;基于核方法的模式分类研究与应用[D];上海交通大学;2011年

6 高恒振;高光谱遥感图像分类技术研究[D];国防科学技术大学;2011年

7 陈岳兵;面向入侵检测的人工免疫系统研究[D];国防科学技术大学;2011年

8 邹涛;智能网络入侵检测系统关键技术研究[D];国防科学技术大学;2004年

9 董春曦;支持向量机及其在入侵检测中的应用研究[D];西安电子科技大学;2004年

10 郑春红;支撑矢量机应用的关键技术研究[D];西安电子科技大学;2005年

相关硕士学位论文 前10条

1 扶宗文;基于粗糙集与支持向量机的入侵检测研究[D];长沙理工大学;2010年

2 何月梅;分形技术与矢量量化相结合的网络流量异常检测研究[D];河北工程大学;2010年

3 王瑛;基于模糊聚类的入侵检测算法研究[D];江西理工大学;2010年

4 余养强;半监督学习若干问题的研究[D];福建师范大学;2010年

5 刘永芬;支持向量机在入侵检测中的应用[D];福建师范大学;2010年

6 周显春;基于小波网络的入侵检测模型研究[D];中南林业科技大学;2008年

7 黎利辉;基于特征选择的入侵检测研究[D];中南林业科技大学;2009年

8 李瑞民;基于属性模糊相似度的关联分析[D];西安电子科技大学;2011年

9 王保民;基于LS-SVM的入侵检测[D];西安电子科技大学;2009年

10 冯宗翰;特征选择新算法研究[D];江南大学;2011年

【二级参考文献】

相关期刊论文 前10条

1 罗敏,王丽娜,张焕国;基于无监督聚类的入侵检测方法[J];电子学报;2003年11期

2 门昌骞;王文剑;;一种基于多学习器标记的半监督SVM学习方法[J];广西师范大学学报(自然科学版);2008年01期

3 梁吉业;钱宇华;;信息系统中的信息粒与熵理论[J];中国科学(E辑:信息科学);2008年12期

4 ;Network traffic classification based on ensemble learning and co-training[J];Science in China(Series F:Information Sciences);2009年02期

5 孙广玲,唐降龙;基于分层高斯混合模型的半监督学习算法[J];计算机研究与发展;2004年01期

6 杨剑;王珏;钟宁;;流形上的Laplacian半监督回归[J];计算机研究与发展;2007年07期

7 张义荣;肖顺平;鲜明;王国玉;;基于机器学习的入侵检测技术概述[J];计算机工程与应用;2006年02期

8 郑声恩;叶少珍;;一种基于内容图像检索的半监督和主动学习算法[J];计算机工程与应用;2006年S1期

9 郭文忠;陈国龙;陈庆良;余轮;;基于粒子群优化算法和相关性分析的特征子集选择[J];计算机科学;2008年02期

10 张莉,孙钢,郭军;入侵检测系统中有监督学习的特征选择方法[J];计算机工程;2005年13期

【相似文献】

相关期刊论文 前10条

1 唐忠;曹俊月;;基于粗糙集属性约简的SVM异常入侵检测方法[J];通信技术;2009年02期

2 杨光;巫春玲;程远征;;基于RS和WSVM的网络入侵检测算法研究[J];计算机仿真;2011年05期

3 张义荣;鲜明;肖顺平;王国玉;;一种基于粗糙集属性约简的支持向量异常入侵检测方法[J];计算机科学;2006年06期

4 扶宗文;王键;傅明;;基于粗糙集和Online SVM的入侵检测规则提取[J];计算机工程与设计;2009年16期

5 肖云;韩崇昭;郑庆华;赵婷;;基于粗糙集-支持向量机理论的过滤误报警方法[J];电子与信息学报;2007年12期

6 饶鲜,董春曦,杨绍全;应用支持向量机实现计算机入侵检测[J];西安电子科技大学学报;2003年03期

7 吴静,周建国,晏蒲柳;支持向量机在网络故障诊断中的应用研究[J];计算机工程;2004年22期

8 李昆仑,黄厚宽,田盛丰,刘振鹏,刘志强;模糊多类支持向量机及其在入侵检测中的应用[J];计算机学报;2005年02期

9 程翔;江伴东;李毅成;;基于模糊MARS的入侵检测系统[J];信息工程大学学报;2008年03期

10 吴敏;王汝传;王治平;;基于支持向量机的P2P网络DoS攻击检测[J];计算机技术与发展;2009年11期

相关会议论文 前10条

1 刘李男;杨岳湘;唐川;;一种基于熵优化支持向量机的P2P流量检测方法[A];2008通信理论与技术新发展——第十三届全国青年通信学术会议论文集（下）[C];2008年

2 贺涛;曹先彬;;基于SVM的无线De-authentication攻击检测[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

3 张满怀;;两类基于异常的网络入侵检测方法的比较[A];2007中国科协年会——通信与信息发展高层论坛论文集[C];2007年

4 杨业;王永骥;;基于Internet的网络控制延时分析及预测[A];第二十三届中国控制会议论文集（上册）[C];2004年

5 谢毅;张俊灵;王莹;胡翠林;;一种基于SVM的信息安全入侵检测模型[A];2007通信理论与技术新发展——第十二届全国青年通信学术会议论文集（上册）[C];2007年

6 张家超;孔媛媛;;结合SVM与免疫遗传算法设计IDS的检测算法[A];2008年全国开放式分布与并行计算机学术会议论文集(下册)[C];2008年

7 刘晓勇;;基于GA与SVM融合的网页分类算法[A];中国运筹学会模糊信息与模糊工程分会第五届学术年会论文集[C];2010年

8 张小强;朱中梁;范平志;;基于SVM和序列互相关特性的入侵检测[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（下册）[C];2005年

9 张红梅;;基于粗糙集特征约简的SVM集成入侵检测模型[A];2009中国控制与决策会议论文集（3）[C];2009年

10 陈琳;黄杰;龚正虎;;一种基于支持向量机的抗噪声邮件分类方法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

相关博士学位论文 前10条

1 董春曦;支持向量机及其在入侵检测中的应用研究[D];西安电子科技大学;2004年

2 贾银山;支持向量机算法及其在网络入侵检测中的应用[D];大连海事大学;2004年

3 李战春;入侵检测中的机器学习方法及其应用研究[D];华中科技大学;2007年

4 段丹青;入侵检测算法及关键技术研究[D];中南大学;2007年

5 饶鲜;入侵检测信道模型研究[D];西安电子科技大学;2006年

6 魏宇欣;网络入侵检测系统关键技术研究[D];北京邮电大学;2008年

7 王美珍;垃圾邮件行为模式识别与过滤方法研究[D];华中科技大学;2009年

8 李千目;战略互联网故障智能诊断策略研究[D];南京理工大学;2005年

9 郑洪英;基于进化算法的入侵检测技术研究[D];重庆大学;2007年

10 刘震;垃圾邮件过滤理论和关键技术研究[D];电子科技大学;2008年

相关硕士学位论文 前10条

1 张宝华;支持向量机在入侵检测系统中的研究和应用[D];天津理工大学;2010年

2 徐华;基于支持向量机的Web文本挖掘研究[D];哈尔滨工程大学;2004年

3 叶春;局域支持向量机的改进及其在网络流量预测中的应用[D];西华大学;2010年

4 李佳;基于粒子群优化支持向量机的异常入侵检测研究[D];中南林业科技大学;2009年

5 姚天韵;入侵检测中的贝叶斯分类器的研究[D];大连交通大学;2008年

6 杨翔宇;SVM在Web文本挖掘中的应用与研究[D];哈尔滨工程大学;2005年

7 李响;基于半监督支持向量机的网络流量分类机制的研究与实现[D];北京邮电大学;2011年

8 朱杰;支持向量机在入侵检测中的应用[D];西安电子科技大学;2008年

9 肖明;基于SVM的智能邮件过滤系统研究与实现[D];电子科技大学;2005年

10 杨丽华;基于内容的垃圾邮件过滤技术研究[D];西南交通大学;2006年

，

本文编号：2258707