基于特征优化与SVPSO的工控入侵检测

发布时间：2021-11-02 16:20

　　在工业控制系统（工控）与互联网技术深度融合的背景下,有效检测系统是否受到入侵威胁成为保障工控安全的关键。根据工控网络数据高维性和非线性的特点,应用Fisher分值和核主成分分析法对网络数据进行预处理,针对支持向量机参数寻优过程中标准粒子群优化算法易陷入局部最优的问题,提出基于自适应变异的粒子群优化算法SVPSO,进而构建系统入侵检测模型。在标准数据集上的仿真结果表明,与BP神经网络、K最近邻、随机森林和朴素贝叶斯算法相比,基于SVPSO算法构建的检测模型性能较优,检测精度达到98.75%,而误报率仅为1.22%。 

【文章来源】：计算机工程. 2020,46(04)北大核心CSCD

【文章页数】：7 页

【文章目录】：
0 概述
1 数据特征选择与提取
    1.1 Fisher分值
    1.2 核主成分分析法
2 SVM与PSO算法
    2.1 支持向量机
    2.2 标准粒子群优化算法
3 基于SVPSO的入侵检测
    3.1 基于自适应变异的粒子群优化算法
    3.2 基于SVPSO的SVM参数优化
    3.3 SVPSO算法流程
4 仿真验证与分析
    4.1 数据集
    4.2 特征选择与处理
    4.3 仿真结果对比
    4.4 入侵检测模型性能对比
        4.4.1 总体检测效果对比
        4.4.2 各类攻击行为检测效果对比
5 结束语


【参考文献】：
期刊论文
[1]基于增量单类支持向量机的工业控制系统入侵检测[J]. 李挺,洪镇南,刘智勇,肖体正.  信息与控制. 2018(06)
[2]支持向量机理论与应用[J]. 刘铭,吴朝霞.  科技视界. 2018(23)
[3]基于MIKPSO-SVM方法的工业控制系统入侵检测[J]. 陈冬青,张普含,王华忠.  清华大学学报(自然科学版). 2018(04)
[4]SVM-DT-Based Adaptive and Collaborative Intrusion Detection[J]. Shaohua Teng,Naiqi Wu,Haibin Zhu,Luyao Teng,Wei Zhang.  IEEE/CAA Journal of Automatica Sinica. 2018(01)
[5]基于组合核主成分分析的潜艇威胁度评估模型[J]. 董雪,张德平.  计算机工程. 2018(11)
[6]基于支持向量机的网络入侵检测算法综述[J]. 王云鹏,张浩.  科学技术创新. 2017(25)
[7]工业控制系统入侵检测研究综述[J]. 赖英旭,刘增辉,蔡晓田,杨凯翔.  通信学报. 2017(02)
[8]基于PCA和半监督聚类的入侵检测算法研究[J]. 丁彦,李永忠.  山东大学学报(工学版). 2012(05)
[9]一种网络入侵检测特征提取方法[J]. 张雪芹,顾春华.  华南理工大学学报(自然科学版). 2010(01)



本文编号：3472113