基于特征选择与遗传算法改进的支持向量机入侵检测方法
发布时间：2021-10-22 22:44
针对高维数据集中噪声特征对支持向量机入侵检测分类器在时间复杂度等性能方面的影响,提出了一种基于特征选择与遗传算法改进的支持向量机网络入侵检测方法。通过在入侵检测数据集KDD99上的仿真实验分析,与传统的入侵检测SVM分类算法相比较,一定程度上降低了分类器建模时间,提高了网络攻击检测的精确度。
【文章来源】：龙岩学院学报. 2020,38(02)
【文章页数】：6 页
【部分图文】：
数据集特征权重示意图
图2 算法运行时间比较从表6和图2、图3分析可得,与传统的SVM算法、基于遗传算法优化SVM算法相比,基于特征选择与遗传算法改进的支持向量机降低了算法时间复杂度,一定程度上提高了算法的预测精度。
表6 算法仿真实验结果分析 测试数据集 算法 时间/s 检测精度/% 检测率/% 5000 SVM 160.183 0.958 0.935 G-SVM 158.036 0.961 0.942 R-G-SVM 142.752 0.966 0.943 10000 SVM 405.621 0.962 0.925 G-SVM 401.539 0.968 0.922 R-G-SVM 397.236 0.973 0.928 20000 SVM 754.171 0.949 0.932 G-SVM 739.200 0.950 0.935 R-G-SVM 712.256 0.953 0.923图3 算法预测精度比较
本文编号：3451968
【文章来源】：龙岩学院学报. 2020,38(02)
【文章页数】：6 页
【部分图文】：
数据集特征权重示意图
图2 算法运行时间比较从表6和图2、图3分析可得,与传统的SVM算法、基于遗传算法优化SVM算法相比,基于特征选择与遗传算法改进的支持向量机降低了算法时间复杂度,一定程度上提高了算法的预测精度。
表6 算法仿真实验结果分析 测试数据集 算法 时间/s 检测精度/% 检测率/% 5000 SVM 160.183 0.958 0.935 G-SVM 158.036 0.961 0.942 R-G-SVM 142.752 0.966 0.943 10000 SVM 405.621 0.962 0.925 G-SVM 401.539 0.968 0.922 R-G-SVM 397.236 0.973 0.928 20000 SVM 754.171 0.949 0.932 G-SVM 739.200 0.950 0.935 R-G-SVM 712.256 0.953 0.923图3 算法预测精度比较
本文编号：3451968
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3451968.html
