当前位置:主页 > 科技论文 > 搜索引擎论文 >

基于CUDA和布谷鸟算法的SVM在工控入侵检测中的应用

发布时间:2021-04-10 07:00
  为了提升SVM算法的分类速度和精度,提出了一种基于CUDA和布谷鸟搜索算法(CSA)的CCS-SVM (CUDA and Cuckoo Search based Support Vector Machine)算法。考虑到SVM算法在大规模数据下训练速度慢的缺点,利用基于CUDA的并行技术对SVM进行并行化。针对布谷鸟搜索算法寻优精度低和收敛速度慢的问题,提出了两点改进:第一,考虑了寻优过程中个体适应度对莱维飞行步长因子α的影响;第二,在偏好随机游动环节引入惯性权重。最后利用CCS-SVM算法对工控网络标准数据集进行入侵检测仿真实验,结果表明:该算法在保证入侵检测准确率的同时,检测速度提升了近3倍。 

【文章来源】:华东理工大学学报(自然科学版). 2019,45(01)北大核心CSCD

【文章页数】:9 页

【部分图文】:

基于CUDA和布谷鸟算法的SVM在工控入侵检测中的应用


图1CUDA编程模型Fig.1ProgrammingmodelofCUDA

流程图,流程图,布谷鸟


第1期陈汉宇,等:基于CUDA和布谷鸟算法的SVM在工控入侵检测中的应用图1CUDA编程模型Fig.1ProgrammingmodelofCUDA式(1)。原理是将二次规划问题分解为一系列子问题,每次迭代只更新两个拉格朗日乘子,即只处理两个样本的优化问题,从而高效求解了二次规划问题。图2并行SVM流程图Fig.2FlowchartofparallelSVMSVM算法并行化的关键在于找出哪些流程更适合GPU计算,把串行过程简单地移植到GPU上并不能充分发挥其性能。分析SVM训练过程可知,大量的矩阵运算是主要的时间开销之一,以计算高斯核函数为例,其伪代码如下:Algorithm1RadialbasisfunctionInputtwovectors:X1,X2OutputthevalueofRBFkernelfunction(1)InitializefeatureCntfromX1,X2(2)InitializedotPdtX1=dotPdtX2=dotPdtX1X2=0(3)Fori=1tofeatureCntDo(4)dotPdtX1+=X1[i]*X1[i](5)dotPdtX2+=X2[i]*X2[i](6)dotPdtX1X2+=X1[i]*X2[i](7)EndFor(8)ReturnkernelvalueusingdotPdtX1,dotPdtX2anddotPdtX1X2其中X1,X2表示两个输入样

曲线,算法收敛,曲线


取SVM分类器在5折交叉验证下得到的准确率作为算法的适应度值,并利用AWCSA对训练集进行参数寻优;最后选取适应度最优的(C,g)来构建CCS-SVM入侵检测模型,对测试集进行分类。为了验证CCS-SVM算法的优越性,本文同时对CS-LIBSVM、ICS-LIBSVM进行了实验,各算法均迭代50次,鸟巢数量都为20,参数寻优空间为[0.01,1000],其他参数同2.3节。3.3仿真结果分析图4示出了3种算法的收敛曲线,该图反映了算法的收敛速度和分类精度。可以看出,CCS-SVM在第6次迭代时收敛到最优解,ICS-LIBSVM在第8代开始收敛,而CS-LIBSVM在25代以后才能完全收敛;在分类精度上CCS-SVM也优于ICS-LIBSVM和CS-LIBSVM。图4各算法收敛曲线Fig.4Convergencecurvesofdifferentalgorithms表5列出了各算法的检测率、误报率以及漏报率,这3个指标是评价入侵检测系统性能的主要标准[21]。为了证明并行化改进的有效性,表中还列出了各算法每次迭代的平均时间。表5入侵检测关键指标值Table5KeyparametervaluesofintrusiondetectionAlgorithmDetectionrate/%Falsepositives/%Falsenegatives/%Averagerunningtime/sCS-LIBSVM9

【参考文献】:
期刊论文
[1]基于改进蝙蝠算法的工业控制系统入侵检测[J]. 李金乐,王华忠,陈冬青.  华东理工大学学报(自然科学版). 2017(05)

硕士论文
[1]数据挖掘在入侵检测中的应用研究[D]. 张楠.电子科技大学 2015
[2]基于CUDA的车牌字符识别[D]. 王世春.复旦大学 2012



本文编号:3129192

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3129192.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户3f1a5***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com