本文關(guān)鍵詞：基于CMABC參數(shù)優(yōu)化的SVM多分類入侵檢測方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)絡(luò)的發(fā)展,信息安全越來越受到人們的重視,入侵檢測技術(shù)已經(jīng)成為信息安全中一項(xiàng)非常重要的技術(shù)。支持向量機(jī)(Support Vector Machine,SVM)能克服入侵檢測系統(tǒng)中普遍存在的檢測率低、誤報(bào)率高的問題,非常適合用于入侵檢測系統(tǒng)。針對SVM的參數(shù)選擇決定了它的學(xué)習(xí)性能和泛化能力,其性能很大程度上取決于參數(shù)懲罰因子C和核參數(shù)g。本文分析了參數(shù)之間的關(guān)系和它們對SVM性能的影響,在人工蜂群算法的基礎(chǔ)上引入交叉突變算子,提出基于交叉突變的人工蜂群優(yōu)化SVM的算法。人工蜂群(Artifical bee colony, ABC)算法是一種新的群智能優(yōu)化算法,模擬自然界蜜蜂采蜜的過程,蜜蜂根據(jù)不同的分工完成各階段的任務(wù),通過食物源信息的收集與共享尋找問題的最優(yōu)解,它具有參數(shù)少、實(shí)現(xiàn)簡單等優(yōu)點(diǎn),交叉算子的引入有效的減少了陷入局部最優(yōu)解的風(fēng)險(xiǎn)。傳統(tǒng)SVM是解決二分類問題,不能滿足多分類入侵檢測的需要,本文分析了常用的多分類SVM方法,對于基于二叉樹的SVM多分類算法在分類效果上的不足,根據(jù)類的分離性測度來構(gòu)建有效的二叉樹結(jié)構(gòu),并將多分類問題合理轉(zhuǎn)換為二分類問題,并結(jié)合入侵檢測的數(shù)據(jù)特征提出分層的結(jié)構(gòu),有效的提高了多分類SVM入侵檢測的檢測效率。
【關(guān)鍵詞】：入侵檢測 參數(shù)優(yōu)化 支持向量機(jī) 多類分類 檢測率
【學(xué)位授予單位】：廣西大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP393.08
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-14
• 1.1 研究背景及意義10-11
• 1.2 國內(nèi)外的研究與進(jìn)展11-12
• 1.3 研究內(nèi)容和論文組織結(jié)構(gòu)12-14
• 1.3.1 課題研究內(nèi)容12
• 1.3.2 論文的組織結(jié)構(gòu)12-14
• 第二章 入侵檢測系統(tǒng)和支持向量機(jī)相關(guān)理論14-25
• 2.1 入侵檢測概述14-15
• 2.2 支持向量機(jī)15-19
• 2.3 入侵檢測NSL-KDD數(shù)據(jù)集預(yù)處理19-24
• 2.3.1 NSL-KDD數(shù)據(jù)集19-22
• 2.3.2 數(shù)據(jù)預(yù)處理22
• 2.3.3 特征屬性選擇22-24
• 2.4 本章小結(jié)24-25
• 第三章 基于CMABC算法的SVM參數(shù)選擇25-37
• 3.1 SVM參數(shù)影響分析25
• 3.2 人工蜂群算法25-27
• 3.3 基于交叉突變的ABC算法27-28
• 3.4 基于CMABC的SVM入侵檢測參數(shù)選擇28
• 3.5 實(shí)驗(yàn)及分析28-36
• 3.5.1 CMABC算法性能分析29-33
• 3.5.2 SVM參數(shù)選擇效果分析33-36
• 3.6 本章小結(jié)36-37
• 第四章 改進(jìn)二叉決策樹的CMABC參數(shù)優(yōu)化多分類入侵檢測37-48
• 4.1 常用的SVM多分類方法37-40
• 4.2 改進(jìn)的決策樹多分類方法40-44
• 4.2.1 類間分離性算法定義41-43
• 4.2.2 改進(jìn)的決策樹多分類支持向量機(jī)算法43-44
• 4.3 實(shí)驗(yàn)及分析44-47
• 4.4 本章小結(jié)47-48
• 第五章 總結(jié)和展望48-50
• 5.1 總結(jié)48-49
• 5.2 下一步工作49-50
• 參考文獻(xiàn)50-53
• 致謝53-54
• 攻讀學(xué)位期間發(fā)表論文情況54

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前9條

1 莫贊;劉希良;謝海濤;;基于混合梯度下降算法的支持向量機(jī)參數(shù)優(yōu)化[J];網(wǎng)絡(luò)新媒體技術(shù);2014年02期

2 張新明;李曉安;何文濤;王鮮芳;;基于排名映射概率的混沌人工蜂群算法[J];計(jì)算機(jī)科學(xué);2013年12期

3 李磊;高雷阜;趙世杰;;基于神經(jīng)網(wǎng)絡(luò)的粒子群算法優(yōu)化SVM參數(shù)問題[J];計(jì)算機(jī)工程與應(yīng)用;2015年04期

4 聶盼盼;臧洌;劉雷雷;;基于對支持向量機(jī)的多類分類算法在入侵檢測中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2013年02期

5 汪廷華;陳峻婷;;核函數(shù)的選擇研究綜述[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年03期

6 吳景龍;楊淑霞;劉承水;;基于遺傳算法優(yōu)化參數(shù)的支持向量機(jī)短期負(fù)荷預(yù)測方法[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

7 郭輝;劉賀平;王玲;;最小二乘支持向量機(jī)參數(shù)選擇方法及其應(yīng)用研究[J];系統(tǒng)仿真學(xué)報(bào);2006年07期

8 趙沖沖;廖明夫;于瀟;;基于支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷。[J];振動(dòng)、測試與診斷;2006年01期

9 毛勇,周曉波,皮道映,孫優(yōu)賢,WONG Stephen T.C.;Parameters selection in gene selection using Gaussian kernel support vector machines by genetic algorithm[J];Journal of Zhejiang University Science;2005年10期

  本文關(guān)鍵詞：基于CMABC參數(shù)優(yōu)化的SVM多分類入侵檢測方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：283171