浅议入侵检测系统中基于代价敏感分类算法的研究

《浅议入侵检测系统中基于代价敏感分类算法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、太原理工大学硕士学位论文入侵检测系统中基于代价敏感分类算法的研究姓名：亢华爱申请学位级别：硕士专业：计算机应用技术指导教师：彭新光20050401太原理r人学硕十研究生学何论文代价敏感性的研究，由于入侵检测涉及大量数据，而且入侵模』℃也在不断变化，所以它对特征代价和误分类代价有严格的要求。文章重在寻求一般的、算法独立的解决办法，这样可以使现存的大量归纳学习算法能容易的介入，于是采用丫复合方法来解决代价敏感的学习问题。针对特征代价的要求，本文介绍r一种n步连续复合的方法川于实时模型的开发，该方法先使用低特征代价的分类器，只仃当低特征代价的分类器

2、达不到预测的精确时才使用高特征代价的分类器，这样产生的操作代价明显的小于利用所有口J-用代价构造的分类器，而且预测精度保持不变。误分类代价的问题是本文的二L要研究工作。可适应推进算法是前人提出的一个连续生成弱分类器来分类加权实例并根据分类结果调整训】练实例权值分布的机器学习过程。该算法从具仃小同分布的同一个训练集·lJ学刊⋯系列弱分类器，最后将这Ⅱ兰弱分类器加权复合成分类性能}良好的强分类器。本文对该算法进行了改进：其_是给每个训1练实例一个代价冈子来表示其匝要程度，代价因子的大小与该实例的误分类代价成正比；其二是将误分类代价引入到训】练实例

3、的权值调节规则上，代价高的实例就会获得更大的权值，这样做的结果使每次迭代生成的Tl太原理工大学硕士研究生学位论文弱分类器把注意力更多地集中在那些权值较大的、难于分类正确的训练实例上，从而通过组合多个弱分类器找到高度精确的强分类器。改进后的算法在预测精度上变化不大，但是，在复合分类器生成的过程中，通过对每个弱分类器选择适当的权值可以使累积训练的误分类代价减小。最后通过仿真实验验证了改进后的算法在减小累积误分类代价方面优于先前的算法。关键词：入侵检测，分类，机器学习，累积误分类代价，权值调整III太原理I‘人学硕十研究生学位论文monetaryc

4、osts．AnotheroneisthateachdatainaleamingseCisconsideredequallyimportanIandthusunifbrmcostsareassumedTheseareunrealisticfbrmanyapplica“ons．Inintrusiondetection，variousfeaturecalculationsandbeenmisclassifiedincursignificantlydifferentcost，thusonlyaIightweightmodelthatpredictsI

5、helabelsofincomingconneclionsisusefulThearticlewⅢconcentrateonlheproblemsofcost—sensitiVitySinceintrusiondetectionisconcernedwithmassdataandjtspatternalsochanges，ithasstrictrequirementforfeaturecostandmisclassificationcost．Thearticleisinterestedinlookingforgeneral、algorithm

6、-independentsolutionstotheseproblemsthatwinallowawiderangeofexistinginductiVelearningalgorithmstobepluggedinwithease．SothethesishaschosentoapplyensemblesofclassifiersThearticleinCroducesann-sCepsequenIialensembIeapproachtoreduceoperationalcostinreal一timemodeIexploitation．1n

7、thismodellowcostclassifiersarealwaysappliedfirstandexpensiVeclassifiersareemployedonlyiflessexpensiVeclassifiersf撕ltodeliveraccuratepredic【iOns．TheoutcomeisthattheexpectedVI太原理工大学硕士研究生学位论文0perationalcostissignificantlylessthanthatofamonolithicclassifierbuiltfromaUaVailablef

8、eatures，butthepredictionaccuracyremainsunaffectedMisclassificationcostisthemainwor