小样本纠错的多层入侵检测分类研究

发布时间：2022-12-10 22:00

　　入侵检测对于网络安全至关重要,不平衡或易混淆的训练样本往往导致传统入侵检测算法效率不佳。为此,提出一种小样本纠错的多层检测分类模型。首先,通过正交投影降维分类算法,使用入侵检测数据集的训练集构建第一层的初筛分类器,将待测样本粗分为三类;然后基于支持向量机及随机森林算法构造第二层和第三层的级联分类器组,每层逐步纠错前面层,并细分至五类;最后,用开源入侵检测评测数据集NSL-KDD进行实验。实验结果表明,本文的方法显著提高了对于拒绝服务攻击（Denial of Service, DoS）、探测攻击（Probe）、未经授权的远程访问（Remote to Local, R2L）类攻击样本的准确率,整体召回率及准确率优于同类研究。 

【文章页数】：8 页

【参考文献】：
期刊论文
[1]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)
[2]网络入侵检测的机器学习算法评估与比较[J]. 胡臻伟,施勇,薛质.  通信技术. 2017(12)
[3]基于正交投影的降维分类方法研究[J]. 滕少华,卢东略,霍颖翔,张巍.  广东工业大学学报. 2017(03)
[4]基于FCM-C4.5的双过滤入侵检测机制[J]. 滕少华,严远驰,刘冬宁,吴昊.  计算机应用与软件. 2016(01)
[5]基于决策树与朴素贝叶斯分类的入侵检测模型[J]. 姚潍,王娟,张胜利.  计算机应用. 2015(10)



本文编号：3717594