蝙蝠算法联合选择特征和分类器参数的入侵检测

• 作者: 冷令
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 特征选择 分类器参数 极限学习机 蝙蝠算法
• 年，卷（期）: 2014,（7）
• 所属期刊栏目: 算法
• 页码范围: 294-296,306
• 页数: 4页
• 分类号: TP393
• 字数: 3484字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2014.07.076

摘要

针对入侵检测的特征和分类器参数选择问题,采用极限学习机ELM(extreme learning machine)进行构建分类器,提出一种蝙蝠算法(BA)联合选择特征和分类器参数的网络入侵检测模型(BA-ELM).首先将特征子集和极限学习机参数编码成蝙蝠个体,以入侵检测准确率和特征数加权组成个体适应度函数;然后通过个体和群体更新的规则引导蝙蝠向最优解飞行,从而找到最优的子特征集和极限学习机参数;最后建立最优的入侵检测模型,并通KDD CUP 99数据集进行仿真性能分析.结果表明,BA-ELM较好地解决了入侵检测特征选择与分类器参数不匹配难题,提高了网络入侵检测率和检测效率,更加适合于网络入侵检测的实时要求.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	冷令		31	38	3.0	4.0