基于bagging支持向量机集成的入侵检测研究_谷雨

《基于bagging支持向量机集成的入侵检测研究_谷雨》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、!""!年第!"卷第!期微电子学与计算机/D基于#$%%&’%支持向量机集成的入侵检测研究谷雨!郑锦辉"戴明伟!何磊#$/西安交通大学电子与信息工程学院!陕西西安D/EE?F%$"西安交通大学理学院!陕西西安D/EE?F%$7云南民族大学数学与计算机科学学院!云南昆明G!EE7/%摘要’对大数据集来说!支持向量机的时空耗费非常大!本文采用@5<<)$<技术对支持向量机进行集成#首先用@**%(%&52技术对训练样本集进行可重复采样!使所得到的新子样本集有较大差异!然后用多个支持向量机对各子样本集进行学习!并将学习后的结果用多数投票法集成最终的结论#实验表明!支持向量机集成对入侵检测

2、数据有比单个支持向量机更好的分类性能#关键词’入侵检测!支持向量机!集成!H5<<)$<中图法分类号’I;7//文献标识码’$文章编号’%"""&’%("$!""!%E!&E/D(’)*+,&-’./)/0)&-’#$,/1-’2+33-*)4/0)-*5$06&’/7’,/89:/;&)6#$%%&’%JKL’/MN>OPJQ)$#6’)"M+R#4)$<#S,)/M>OT,)7$/1-6**U*VOU,-%&*$)-5$W#$V*&=5%)*$O$<)$,,&)$

3、-,MX))5$Q)5*%*$

4、(,5$,S=,%6*W%65%’(,(%6,134,$(,=#@U,(S)%6@5<<)$<@**%(%&525<<&,<5%)$<])$%6)(252,&^_,%&5)$,5-6)$W)9)W’5U134)$W,2,$W,$%UY’()$<%6,&5$W*=UY-6*(,$%&5)$)$<(5=2U,(9)55@**%(%&52%,-6$)‘’,^RV%,&%65%M%6,Y5&,-*UU,-%,W%*=5A,5W,-)()*$5--*&W)$<%*%6,=5#a*&)%Y9*%)$<^I6,,:2,&)=,$%&,(’U%(V*&%6,)$%&’()*$W,%,-%)*$W

5、5%5-U5(()V)-5%)*$(6*S%65%*’&2&*2*(,W134,$(,=@U,S)%6@5<<)$<*’%2,&V*&=(5$Y()$/?;-*1,=#$%&’()*$W,%,-%)*$M1’22*&%9,-%*&=5-6)$,MO$(,=@U,MH5<<)$,(()5$矩阵!受普通计算机内存容量的限制!无法全已经成为一个全球性的重要问题!如何迅速"有处理大数据量问题!因此常用一些近似算法来降低效

6、地发现各类新的入侵行为!对于保证系统和网络时空消耗.?0#这使得系统的性能受到影响#资源的安全显得十分重要#入侵检测$#$%&’()*$+,#为了解决这一问题!我们采用了支持向量机集%,-%)*$./0通过监视网络系统的运行状态!以发现成的思想!采用@**%(%&52技术对从训练集中的样本!#+%各种攻击企图&攻击行为或者攻击结果#它是一种进行随机抽取!然后用多个支持向量机独立地对这主动的网络安全防御方式!近来倍受瞩目#些子样本集进行学习!最后将这些子个体支持向量支持向量机$1’22*&%3,-%*&45-6)$,!134%是机的分类结果进行集成#仿真实验表明!采用@5<#一种基于

7、统计学习理论的机器学习方法!已经被成<)$<技术的支持向量机集成方法对入侵检测数据功应用于手写体数字识别&文本分类&故障诊断等的分类效果要好于单个支持向量机#模式识别领域中."0#由于134在解决小样本&非线性及高维问题时具有明显优势!目前也被应用于入"支持向量机原理侵检测系统的研究中.70#支撑向量机的训练问题!实支持向量机最早由352$)A."0提出!是一种基于质上是一个凸二次规划$8*$9,:;&*<&5==)$<%问结构风险最小化原理的机器学习方法!它在保证经