基于ReliefF和改进乌鸦搜索优化的并行入侵检测方法

发布时间：2021-07-09 22:17

　　网络数据量的增加导致计算复杂度和时间复杂度增加,为提高网络入侵检测的精度与速度,提出一种新的入侵检测方法 RICSA-KELM。首先采用Relief F过滤法除去无关特征和噪声,降低特征维数;然后基于改进乌鸦搜索算法（ICSA,采用封装法）进行最优特征子集选择,并同步实现核极限学习机（KELM）分类器的参数优化。设计的线性加权目标函数在考虑最大分类精度的同时,尽可能减少误报率以及特征子集数量。此外,提出了基于多核平台的多线程并行计算方法,进一步优化模型运算方式,提高了计算效率。实验采用KDD99和UNSW-NB15数据集对RICSA-KELM性能进行测试和分析。实验结果表明,提出的模型优于SVM、ELM、KNN等方法,检测准确率高、检测效率快、误报率低,是一种有效的网络入侵检测方法。 

【文章来源】：计算机应用研究. 2019,36(10)北大核心CSCD

【文章页数】：6 页

【文章目录】：
0 引言
1 Relief F算法
2 ICSA
    2.1 连续CSA算法
    2.2 离散CSA
3 RICSA-EKELM模型
    3.1 串行模型
    3.2 并行模型
4 实验分析
    4.1 数据描述与处理
    4.2 实验设置
    4.3 实验结果分析
5 结束语


【参考文献】：
期刊论文
[1]融合FAST特征选择与ABQGSA-SVM的网络入侵检测[J]. 李丛,闫仁武,朱长水,高广银.  计算机应用研究. 2017(07)
[2]一种融合Kmeans和KNN的网络入侵检测算法[J]. 华辉有,陈启买,刘海,张阳,袁沛权.  计算机科学. 2016(03)
[3]构造稀疏最小二乘支持向量机的网络入侵检测模型[J]. 张红梅,高海华,王行愚.  华东理工大学学报(自然科学版). 2008(06)



本文编号：3274605