在工業(yè)控制系統(tǒng)（工控）與互聯(lián)網技術深度融合的背景下,有效檢測系統(tǒng)是否受到入侵威脅成為保障工控安全的關鍵。根據(jù)工控網絡數(shù)據(jù)高維性和非線性的特點,應用Fisher分值和核主成分分析法對網絡數(shù)據(jù)進行預處理,針對支持向量機參數(shù)尋優(yōu)過程中標準粒子群優(yōu)化算法易陷入局部最優(yōu)的問題,提出基于自適應變異的粒子群優(yōu)化算法SVPSO,進而構建系統(tǒng)入侵檢測模型。在標準數(shù)據(jù)集上的仿真結果表明,與BP神經網絡、K最近鄰、隨機森林和樸素貝葉斯算法相比,基于SVPSO算法構建的檢測模型性能較優(yōu),檢測精度達到98.75%,而誤報率僅為1.22%。 

【文章來源】：計算機工程. 2020,46(04)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
0 概述
1 數(shù)據(jù)特征選擇與提取
    1.1 Fisher分值
    1.2 核主成分分析法
2 SVM與PSO算法
    2.1 支持向量機
    2.2 標準粒子群優(yōu)化算法
3 基于SVPSO的入侵檢測
    3.1 基于自適應變異的粒子群優(yōu)化算法
    3.2 基于SVPSO的SVM參數(shù)優(yōu)化
    3.3 SVPSO算法流程
4 仿真驗證與分析
    4.1 數(shù)據(jù)集
    4.2 特征選擇與處理
    4.3 仿真結果對比
    4.4 入侵檢測模型性能對比
        4.4.1 總體檢測效果對比
        4.4.2 各類攻擊行為檢測效果對比
5 結束語


【參考文獻】：
期刊論文
[1]基于增量單類支持向量機的工業(yè)控制系統(tǒng)入侵檢測[J]. 李挺,洪鎮(zhèn)南,劉智勇,肖體正.  信息與控制. 2018(06)
[2]支持向量機理論與應用[J]. 劉銘,吳朝霞.  科技視界. 2018(23)
[3]基于MIKPSO-SVM方法的工業(yè)控制系統(tǒng)入侵檢測[J]. 陳冬青,張普含,王華忠.  清華大學學報(自然科學版). 2018(04)
[4]SVM-DT-Based Adaptive and Collaborative Intrusion Detection[J]. Shaohua Teng,Naiqi Wu,Haibin Zhu,Luyao Teng,Wei Zhang.  IEEE/CAA Journal of Automatica Sinica. 2018(01)
[5]基于組合核主成分分析的潛艇威脅度評估模型[J]. 董雪,張德平.  計算機工程. 2018(11)
[6]基于支持向量機的網絡入侵檢測算法綜述[J]. 王云鵬,張浩.  科學技術創(chuàng)新. 2017(25)
[7]工業(yè)控制系統(tǒng)入侵檢測研究綜述[J]. 賴英旭,劉增輝,蔡曉田,楊凱翔.  通信學報. 2017(02)
[8]基于PCA和半監(jiān)督聚類的入侵檢測算法研究[J]. 丁彥,李永忠.  山東大學學報(工學版). 2012(05)
[9]一種網絡入侵檢測特征提取方法[J]. 張雪芹,顧春華.  華南理工大學學報(自然科學版). 2010(01)



本文編號：3472113