基于ReliefF-FCBF组合的入侵特征选择算法研究

发布时间：2017-08-14 04:32

  本文关键词：基于ReliefF-FCBF组合的入侵特征选择算法研究

  更多相关文章： 入侵检测 特征选择 ReliefF FCBF Re-ReliefF 误报率

【摘要】：在信息时代,每天大量新的网络数据涌入互联网,网络空间异常行为更加复杂多变,数据的高维属性,导致入侵检测面临检测效率、准确率低。为了建设安全可持续的网络环境,为互联网的快速发展提供保障,入侵检测系统引入新技术实现创新刻不容缓。常用特征选择方法引入入侵检测系统中,实现对网络数据的初步选择,达到对多维数据降维的作用,去除无关、弱相关、冗余的特征,提高分类的效率、准确率,减少误报率,提升了入侵检测系统的性能,实现系统智能化和满足现代网络空间安全检测要求。本文参考了国内外特征选择算法在入侵检测应用的研究,研究了典型的四个特征选择算法,通过优势互补组合提出了两个新的,针对入侵检测系统的KDD CUP1999数据集降维方法。在本篇论文中做了以下主要工作:(1)四个算法对比分析:ReliefF算法不能区分已选特征集中特征间的相关紧密性;FCBF算法能高效处理特征之间的冗余性;Re-ReliefF算法在效率、准确率、误报率方面还不够好;最大相关最小冗余算法(mRMR)中特征间相关性表述的互信息度量准则,能更好地区分特征间的相关关系。(2)改进的两个组合算法:ReliefF算法和FCBF算法结合,提出了一种两阶段Re-FCBF算法,分别对原始特征集进行相应的筛选,获得区分数据高效的特征组成的最佳特征子集;Re-ReliefF+算法在Re-ReliefF算法的基础上加入了最大相关最小冗余算法(mRMR)的思想,把作为特征间相关性表述的互信息度量准则引入其中,从而更好地区分特征间的相关关系,进一步去除冗余特征。(3)改进的组合算法实验对比分析:KDD CUP 1999作为入侵检测数据,采用支持向量机来训练数据和测试数据,获得相应的最佳特征子集在数据分类的准确率、误报率、漏报率、训练时间、预测时间。实验表明:Re-FCBF算法和Re-ReliefF+是一种有效的过滤式特征选择算法,它能够有效地去除无关、弱相关、冗余特征,提高入侵检测的效率、准确率,减少误报率。
【关键词】：入侵检测 特征选择 ReliefF FCBF Re-ReliefF 误报率
【学位授予单位】：新疆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP301.6;TP393.08
【目录】：

• 摘要2-3
• Abstract3-7
• 第一章 绪论7-10
• 1.1 研究背景与意义7-8
• 1.2 研究现状8-9
• 1.3 本文结构9-10
• 第二章 特征选择方法与入侵检测技术10-20
• 2.1 特征选择方法10-15
• 2.1.1 基本定义10
• 2.1.2 典型分类10-11
• 2.1.3 搜索策略11
• 2.1.4 评价标准11-13
• 2.1.5 应用现状13-15
• 2.2 入侵检测技术15-18
• 2.2.1 基本概念15
• 2.2.2 通用框架15-16
• 2.2.3 发展现状16-17
• 2.2.4 大规模网络入侵检测面临的问题17-18
• 2.3 典型的入侵检测数据集18-19
• 2.4 本章小结19-20
• 第三章 特征选择算法20-26
• 3.1 ReliefF算法20-21
• 3.2 FCBF算法21-22
• 3.3 Re-ReliefF算法22-23
• 3.4 mRMR算法23-24
• 3.5 基于特征选择的入侵检测24-25
• 3.6 本章小结25-26
• 第四章 基于Re-FCBF组合的入侵特征选择算法研究26-39
• 4.1 引入26-27
• 4.2 Re-FCBF组合的入侵特征选择算法27-28
• 4.2.1 基本定义27
• 4.2.2 算法描述27-28
• 4.3 优化后的Re-ReliefF+入侵特征选择算法28-29
• 4.3.1 基本定义28
• 4.3.2 算法描述28-29
• 4.4 实验29-37
• 4.4.1 实验准备29-30
• 4.4.2 实验流程30-31
• 4.4.3 实验结果31-37
• 4.4.4 结果分析37
• 4.5 本章小结37-39
• 第五章 总结与展望39-40
• 5.1 总结39
• 5.2 展望39-40
• 参考文献40-43
• 攻读学位期间发表的学术论文目录43-44
• 致谢44-45

【相似文献】

中国期刊全文数据库 前10条

1 吉小军,李世中,李霆;相关分析在特征选择中的应用[J];测试技术学报;2001年01期

2 贾沛;桑农;唐红卫;;一种改进的类别依赖型特征选择技术[J];计算机与数子工程;2003年06期

3 靖红芳;王斌;杨雅辉;徐燕;;基于类别分布的特征选择框架[J];计算机研究与发展;2009年09期

4 吴洪丽;朱颢东;周瑞琼;;使用特征分辨率和差别对象对集的特征选择[J];计算机工程与应用;2010年16期

5 杨艺;韩德强;韩崇昭;;基于排序融合的特征选择[J];控制与决策;2011年03期

6 李云;;稳定的特征选择研究[J];微型机与应用;2012年15期

7 钱学双;多重筛选逐步回归特征选择法及其应用[J];信息与控制;1986年05期

8 宣国荣;柴佩琪;;基于巴氏距离的特征选择[J];模式识别与人工智能;1996年04期

9 范劲松,方廷健;特征选择和提取要素的分析及其评价[J];计算机工程与应用;2001年13期

10 王新峰;邱静;刘冠军;;基于特征相关性和冗余性分析的机械故障特征选择研究[J];中国机械工程;2006年04期

中国重要会议论文全文数据库 前10条

1 靖红芳;王斌;杨雅辉;;基于类别分布的特征选择框架[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

2 李长升;卢汉清;;排序学习模型中的特征选择[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

3 刘功申;李建华;李生红;;基于类信息的特征选择和加权方法[A];NCIRCS2004第一届全国信息检索与内容安全学术会议论文集[C];2004年

4 倪友平;王思臣;马桂珍;陈曾平;;分支界定算法在低分辨雷达飞机架次判别中的应用[A];第十三届全国信号处理学术年会（CCSP-2007）论文集[C];2007年

5 李泽辉;聂生东;陈兆学;;应用多类SVM分割MR脑图像特征选择与优化的实验研究[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

6 蒙新泛;王厚峰;;主客观识别中的上下文因素的研究[A];中国计算机语言学研究前沿进展（2007-2009）[C];2009年

7 万京;王建东;;一种基于新的差异性度量的ReliefF方法[A];2009年研究生学术交流会通信与信息技术论文集[C];2009年

8 范丽;许洁萍;;基于GMM的音乐信号音色模型研究[A];第四届和谐人机环境联合学术会议论文集[C];2008年

9 陈友;戴磊;程学旗;;基于MRMHC-C4．5的IP流分类[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

10 申f;杨宏晖;袁帅;;用于水声目标识别的互信息无监督特征选择[A];第三届上海——西安声学学会学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李静;高维数据交互特征选择和分类研究[D];燕山大学;2015年

2 刘风;基于磁共振成像的多变量模式分析方法学与应用研究[D];电子科技大学;2014年

3 王石平;粗糙拟阵及其在高维数据降维中的应用研究[D];电子科技大学;2014年

4 代琨;基于支持向量机的网络数据特征选择技术研究[D];解放军信息工程大学;2013年

5 王爱国;微阵列基因表达数据的特征分析方法研究[D];合肥工业大学;2015年

6 王博;文本分类中特征选择技术的研究[D];国防科学技术大学;2009年

7 张明锦;基于特征选择的多变量数据分析方法及其在谱学研究中的应用[D];华东理工大学;2011年

8 高青斌;蛋白质亚细胞定位预测相关问题研究[D];国防科学技术大学;2006年

9 冯国忠;文本分类中的贝叶斯特征选择[D];东北师范大学;2011年

10 张丽新;高维数据的特征选择及基于特征选择的集成学习研究[D];清华大学;2004年

中国硕士学位论文全文数据库 前10条

1 张金蕾;蛋白质SUMO化修饰位点预测的数据挖掘技术研究[D];西北农林科技大学;2015年

2 史德飞;自适应特征选择在线瓷砖分类系统[D];南京大学;2014年

3 马铮;网络流量特征分析与特征选择[D];北京邮电大学;2013年

4 徐冬;基于特征选择的入侵检测方法研究[D];吉林大学;2016年

5 郑芳泉;稀有数据的集成特征选择与入侵检测[D];福州大学;2013年

6 徐子伟;基于分步特征选择和组合分类器的电信客户流失预测模型[D];中国科学技术大学;2016年

7 肖丽莎;半监督特征选择关键技术研究[D];西南交通大学;2016年

8 李昌;概率特征选择分类向量机[D];中国科学技术大学;2016年

9 黄春虎;基于ReliefF-FCBF组合的入侵特征选择算法研究[D];新疆大学;2016年

10 谭蕴琨;面向稀疏数据的在线学习特征选择方法研究[D];华南理工大学;2016年

，

本文编号：670804