基于元优化的KNN入侵检测模型

发布时间：2021-09-28 12:59

　　为了改善基于K-近邻（K-nearest neighbor,KNN）入侵检测模型的性能,提出一种基于局部搜索算法的元优化特征权重KNN入侵检测模型。利用差分进化算法优化特征权重,采用基于局部单峰采样（local unimodal sampling,LUS）的元优化模型对差分进化算法进行优化。应用NSL数据集进行仿真实验,将本优化模型和其他常用智能启发算法,包括遗传算法（genetic algorithm,GA）、粒子群优化（particle swarm optimization,PSO）算法和灰狼优化（grey wolf optimization,GWO）算法进行比较。实验结果表明,与传统KNN算法模型相比,该模型的准确率提高了2. 86%,检测率提高了3. 18%,误报率降低了50%,而且基于元优化的优化策略优于其他常用优化算法。 

【文章来源】：北京工业大学学报. 2020,46(01)北大核心CSCD

【文章页数】：9 页

【部分图文】：

元优化模型

基于DE优化的KNN入侵检测模型

基于DE-KNN的入侵检测算法流程图

【参考文献】：
期刊论文
[1]基于互信息的粒化特征加权多标签学习k近邻算法[J]. 李峰,苗夺谦,张志飞,张维.  计算机研究与发展. 2017(05)



本文编号：3411947