基于IPMeans-KELM的入侵检测算法研究

• 作者: 于化龙 李永忠 陈兴亮
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 网络入侵 粒子群算法 K 均值算法 核极限学习机 10折交叉验证
• 年，卷（期）: 2016,（22）
• 所属期刊栏目: 网络、通信与安全
• 页码范围: 118-122
• 页数: 5页
• 分类号: TP309
• 字数: 3786字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1604-0196

摘要

目前入侵检测系统中普遍存在数据维度高、数据量大、训练难等问题。在入侵检测系统中应用核极限学习机（KELM）算法，使其能够适应大量高维数据的训练，且学习速度快无需调整网络的输入权值，降低了检测系统的训练难度。但是由于入侵数据集的不均衡性、噪音干扰性、分布不均性等，直接影响了KELM的分类性能。因此，针对入侵数据处理问题，提出了一种基于IPMeans-KELM的入侵检测算法。该算法首先利用改进的PSO优化K-means算法（IPMeans）对入侵数据进行聚类处理，增加相同数据类型的聚集度，然后对处理后的数据进行10-CV分割，将分割的10份数据轮流训练KELM分类器，把测试数据通过训练好的KELM分类器进行测试，输出分类器检测率的平均值，如果检测效果不满足期望条件，则进行循环处理，直至条件满足。在Matlab平台上进行了对比实验，实验结果表明该算法在有效地提高了入侵检测率的同时降低了误报率。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	于化龙	江苏科技大学计算机科学与工程学院	44	135	8.0	10.0
2	李永忠	江苏科技大学计算机科学与工程学院	98	561	13.0	16.0
3	陈兴亮	江苏科技大学计算机科学与工程学院	3	21	2.0	3.0