作者:
基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
入侵检测系统是任何一个完整的网络安全系统中必不可缺的部分.日益严峻的安全问题对于检测方法提出更高的要求.传统的入侵检测方法存在误报漏报及实时性差等缺点,将机器学习的技术引入到入侵监测系统之中以有效地提高系统性能具有十分重要的现实意义.支持向量机(SVM)是一种建立在统计学习理论(SLT)基础之上的机器学习方法,被成功地应用到入侵检测领域中.讨论了支持向量机优化算法及其在入侵检测中的应用.实验表明,基于优化支持向量机检测入侵的方法能较大地提高入侵检测系统的性能.
推荐文章
改进蚁群算法优化支持向量机的网络入侵检测
网络入侵
蚁群优化算法
支持向量机
参数优化
支持向量机在网络异常入侵检测中的应用
网络入侵检测
异常检测
支持向量机
统计学习理论
基于蚁群优化算法和支持向量机相结合的医院网络非法入侵检测
医院网络
非法入侵检测
蚁群优化算法
支持向量机
入侵检测模型
全局搜索
基于萤火虫群优化支持向量机的网络入侵检测方法
入侵检测
支持向量机
萤火虫群
分类面修正
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于优化支持向量机的网络入侵检测技术研究
来源期刊 计算机技术与发展 学科 工学
关键词 支持向量机 入侵检测 分类
年,卷(期) 2009,(7) 所属期刊栏目 安全与防范
研究方向 页码范围 177-179
页数 3页 分类号 TP393.08
字数 2756字 语种 中文
DOI 10.3969/j.issn.1673-629X.2009.07.051
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 汪世义 巢湖学院计算机系 26 79 5.0 7.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (20)
共引文献  (49)
参考文献  (8)
节点文献
引证文献  (2)
同被引文献  (9)
二级引证文献  (5)
1995(2)
  • 参考文献(1)
  • 二级参考文献(1)
1998(2)
  • 参考文献(1)
  • 二级参考文献(1)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(2)
  • 参考文献(0)
  • 二级参考文献(2)
2003(5)
  • 参考文献(1)
  • 二级参考文献(4)
2005(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(7)
  • 参考文献(0)
  • 二级参考文献(7)
2007(4)
  • 参考文献(1)
  • 二级参考文献(3)
2008(4)
  • 参考文献(4)
  • 二级参考文献(0)
2009(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2014(1)
  • 引证文献(1)
  • 二级引证文献(0)
2015(1)
  • 引证文献(1)
  • 二级引证文献(0)
2016(2)
  • 引证文献(0)
  • 二级引证文献(2)
2017(2)
  • 引证文献(0)
  • 二级引证文献(2)
2018(1)
  • 引证文献(0)
  • 二级引证文献(1)
研究主题发展历程
节点文献
支持向量机
入侵检测
分类
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机技术与发展
月刊
1673-629X
61-1450/TP
大16开
西安市雁塔路南段99号
52-127
1991
chi
出版文献量(篇)
12927
总下载数(次)
40
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导