基于改善Bagging-SVM集成多样性的网络入侵检测方法

• 作者: 廖光忠 张康宁
• 来源期刊: 东北师大学报（自然科学版）
• 学科: 工学
• 关键词: 入侵检测 集成学习 信息增益 多样性
• 年，卷（期）: 2020,（4）
• 页码范围: 53-59
• 页数: 7页
• 分类号: TP309.2
• 语种: 中文
• DOI: 10.16163/j.cnki.22-1123/n.2020.04.009

摘要

为了提高入侵检测模型的准确率和泛化性,需要对集成学习系统的多样性进行改善.因此将样本扰动与特征扰动结合,对大规模数据集进行分割,构造不同的样本子集,提高集成个体之间的差异,并在特征扰动阶段,采用主成分分析以减少信息冗余,根据信息增益设置特征权重和信息增益比,对特征子集进行自适应随机搜索,以提高集成系统的多样性.通过KDD Cup99数据集进行了仿真实验,结果表明,采用入侵检测模型能够对超大规模数据进行有效学习,且对各种攻击行为的检测准确率都较高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	廖光忠		17	68	5.0	7.0
2	张康宁		1	0	0.0	0.0