基于Fisher分和多分类支持向量机的入侵检测方法
现有大部分的异常检测系统都是把数据分成正常和异常两类,这样可能会丢失重要信息,也有一些对于多分类的研究,但效果不太理想.另外网络入侵检测数据集中存在的大量冗余和噪声特征会影响检测系统的性能.针对上述两个问题,本文提出了一种基于Fisher分和多分类支持向量机的入侵检测特征选择算法.该方法先通过研究四个二分类并根据各特征的Fisher分值大小排序,得到四个特征降序序列.再根据这些序列结合多分类支持向量机分类算法,建立特征分类模型,筛选出一个最优特征组合.仿真测试结果表明,该方法具有较高的检测率和较低的测试时间,提高了系统性能.
计算机网络 入侵检测 特征选择 多分类支持向量机 Fisher分值
施贝 杨榆
北京邮电大学信息安全中心,北京,100876
国内会议
北京
中文
139-142,138
2014-10-01（万方平台首次上网日期，不代表论文的发表时间）