基于增量学习的SVM-KNN网络入侵检测方法

发布时间：2022-10-18 19:10

　　为满足入侵检测的实时性和准确性要求,通过结合支持向量机（SVM）和K最近邻（KNN）算法设计IL-SVM-KNN分类器,并采用平衡k维树作为数据结构提升执行速度。训练阶段应用增量学习思想并考虑知识库的扩展,分类阶段则利用SVM和KNN算法将待分类数据分成3种情况应用不同的分类策略。基于KDD CUP99和NSL-KDD数据集进行实验,结果表明,IL-SVM-KNN能够区分正常流量和异常流量并准确判断异常流量的攻击类型,其准确率较KNN算法和SVM算法有明显提升,判断攻击类型的准确性高于决策树、随机森林和XGBoost算法,并且较两层卷积神经网络消耗时间更少,资源消耗更低。 

【文章页数】：8 页

【文章目录】：
0 概述
1 相关知识
    1.1 SVM与KNN算法
    1.2 k维树
    1.3 k维树中的K最近邻搜索
2 IL-SVM-KNN分类器设计
    2.1 训练阶段
    2.2 分类阶段
3 实验与结果分析
    3.1 实验数据
    3.2 实验环境
    3.3 评价指标
    3.4 数据预处理
    3.5 实验结果
        3.5.1 KDD CUP99数据集实验结果对比
        3.5.2 NSL-KDD数据集实验结果对比
4 结束语


【参考文献】：
期刊论文
[1]融合CNN与BiLSTM的网络入侵检测方法[J]. 刘月峰,蔡爽,杨涵晰,张晨荣.  计算机工程. 2019(12)
[2]基于dCNN的入侵检测方法[J]. 张思聪,谢晓尧,徐洋.  清华大学学报(自然科学版). 2019(01)
[3]基于卷积神经网络和KNN的短文本分类算法研究[J]. 殷亚博,杨文忠,杨慧婷,许超英.  计算机工程. 2018(07)
[4]入侵检测中基于SVM的两级特征选择方法[J]. 武小年,彭小金,杨宇洋,方堃.  通信学报. 2015(04)
[5]基于统计相关性与K-means的区分基因子集选择算法[J]. 谢娟英,高红超.  软件学报. 2014(09)
[6]基于特征子集区分度与支持向量机的特征选择算法[J]. 谢娟英,谢维信.  计算机学报. 2014(08)
[7]基于双联支持向量机的入侵检测技术[J]. 王昊,华继学,范晓诗.  山东大学学报(工学版). 2013(06)
[8]支持向量机增量学习算法综述[J]. 李祥纳,艾青,秦玉平,刘卫江.  渤海大学学报(自然科学版). 2007(02)

硕士论文
[1]基于增量学习的三支决策KNN算法的研究与应用[D]. 曹婧.西安理工大学 2018



本文编号：3692890