杂草算法优化支持向量机的网络入侵检测

为了解决支持向量机(优化SVM)在网络入侵检测中的参数优化问题,以提高网络入侵检测性能,提出一种入侵杂草(IWO)算法SVM的网络入侵检测模型(IWO-SVM)。首先将SVM参数编码为入侵杂草,以检测率作为优化目标函数,然后通过模拟杂草入侵种子的生长过程找到最SVM的最优参数,从而最优网络入侵检测模型,后在采用KDD99数据集性能测试。结果表明IWO-SVM是一种检测检测率高、速度快的网络入侵检测模型。     

基于相似度量的模糊支持向量机算法研究

基于统计学习理论,核被看做是一种相似度测量模型.核函数是支持向量机算法的核心,利用核函数可以将低维不可分数据映射到高维空间,并进行最优分类研究.但孤立点或噪声数据都会影响最优分类平面和最优分类函数,所以提出利用相似度测量构建模糊核函数.相比高斯核函数和模糊sigmoid核函数的分类支持向量模型,本文提出的模糊相似核函数在支持向量机运算中计算成本最低,可以提供更高的准确率,同时可以避免传统模糊核函数的限制.     

基于相似属性PCA和SVM的网络入侵检测

针对现有网络入侵检测算法泛化能力差与处理大样本数据耗时长的问题,本文提出了基于相似属性主成分分析（PCA）与支持向量机（SVM）的网络入侵检测的方法。采用KDD 1999数据集仿真,原始数据集根据属性间的相似程度分为四类属性集,对四类属性集分别采用PCA进行特征抽取,最后用SVM检验分类的正确率。实验结果表明：与直接采用PCA对全部属性一起降维相比,相似属性PCA的分类降维方法有较短的处理时间,并且有更强的泛化能力,即对未知攻击类型的检测性能。     

粒子群算法和SVM的网络入侵检测

针对当前的神经网络检测算法在强干扰下的网络入侵检测准确拦截性不好的问题,提出一种基于粒子群算法和支持向量机的网络入侵检测方法。构建网络入侵的特征信号模型,采用二阶自适应格型IIR陷波器进行入侵信息的抗干扰处理;粒子群算法进行自适应寻优提取网络入侵特征的最优解,SVM进行入侵信息分类,实现网络入侵有效检测;并进行仿真测试。结果表明,采用该方法进行网络入侵检测的准确拦截概率较高,误检和漏检概率较低,保障了网络安全。     

基于最小二乘隐空间支持向量机的IDS检测算法的设计

在基于支持向量机的基础上,提出一种新的利用最小二乘隐空间支持向量机设计IDS的检测算法,解决了网络入侵检测系统中检测算法的分类精度不高、训练样本数需要较多,及训练学习时间较长等问题.仿真实验结果表明,本算法较基于支持向量机的检测算法具有更快的收敛性、更快的迭代速度、更高的检测精度和更低的误报率.     

基于QPSO的属性约简在NIDS中的应用研究

支持向量机作为一种优良的分类算法应用在网络入侵检测系统中,但是训练时间过长是它的主要缺陷.文中提出了基于量子粒子群优化的属性约简和支持向量机(SVM)的入侵检测方法,利用量子粒子群优化的属性约简算法对训练样本集进行属性约简,剔除了对入侵检测结果影响较小的冗余特征,从而使入侵检测系统在获取用户特征的时间减少,整个入侵检测系统的性能得到提高.实验结果表明,该方法是有效的.     

基于支持向量机的实际调制信号识别

提出一种基于支持向量机的实际调制信号自动识别新方法。利用支持向量机把分类特征向量映射到一个高维空间，并在高维空间中构造最优分类超平面以实现信号分类。计算机仿真结果表明，该方法对实际采集的信号具有很好的分类性能。     

文本数据的非线性降维方法研究

采用了空间解析几何中的球极映射方法,形成高维向量到低维向量的拓扑变换模型,实现了矩阵形武的高维空间文本集合到低维空间文本集合的一一映射,编制了相应的算法,从而有效地解决了文本挖掘中的非线性降维问题,克服了以往研究中的缺陷.     

一种信息系统安全的自适应监测与评估方法

针对网络入侵的特征,提出一种基于SVM支持向量机的入侵危险识别模型。利用支持向量机SVM模型,混合人工蜂群HABC优化的方式,克服算法中存在早熟收敛和局部极小的问题。通过该模型实现对网络入侵信息系统自适应识别出攻击效果,有效得到网络入侵的信息系统风险评估。验证结果表明,HABC优化的SVM模型比传统危险入侵识别模型的准确度更高,收敛速度快,泛化能力增强,说明了该方法的可行性、有效性。     

用核学习算法的意识任务特征提取与分类

介绍了核学习算法中核主分量分析(KPCA)和支持向量机(SVM)的基本原理,给出一种推广误差上界估计判据,实现了SVM核参数及惩罚因子的优化选取.根据多变量自回归模型理论对4个受试对象、三种不同意识任务的脑电信号进行特征提取,并利用KPCA方法进行降维预处理,对SVM进行训练和分类测试.结果表明,KPCA算法在高维特征空间具有较强的特征选择能力,优化核参数的SVM的分类正确率明显高于径向基函数网络,三种意识任务的平均分类正确率达78.6％.     

KFDA and clustering based multiclass SVM for intrusion detection

To improve the classification accuracy and reduce the training time, an intrusion detection technology is proposed, which combines feature extraction technology and multiclass support vector machine （SVM） classification algorithm. The intrusion detection model setup has two phases. The first phase is to project the original training data into kernel fisher discriminant analysis （KFDA） space. The second phase is to use fuzzy clustering technology to cluster the projected data and construct the decision tree, based on the clustering results. The overall detection model is set up based on the decision tree. Results of the experiment using knowledge discovery and data mining （KDD） from 99 datasets demonstrate that the proposed technology can be an an effective way for intrusion detection.     

基于循环神经网络的无线网络入侵检测分类模型构建与优化研究

为提高无线网络入侵检测模型的综合性能,该文将循环神经网络(RNN)算法用于构建无线网络入侵检测分类模型。针对无线网络入侵检测训练数据样本分布不均衡导致分类模型出现过拟合的问题,在对原始数据进行清洗、转换、特征选择等预处理基础上,提出基于窗口的实例选择算法精简训练数据集。对攻击分类模型的网络结构、激活函数和可复用性进行综合优化实验,得到最终优化模型,分类准确率达到98.6699%,综合优化后的运行时间为9.13 s。与其他机器学习算法结果比较,该优化方法在分类准确率和执行效率两个方面取得了很好的效果,综合性能优于传统的入侵检测分类模型。     

基于PSO-GWO-SVM的周界安防信号识别研究

针对支持向量机(SVM)在大规模入侵信号分类时存在的局限性,提出了一种改进的SVM信号识别方法。该方法首先采用粒子群优化算法(PSO)来生成多样化的初始位置,然后利用灰狼优化算法(GWO)更新离散搜索空间中样本的当前位置,获得最优特征子集;最后基于最优特征子集用SVM对待测样本进行分类识别。实验结果显明,在识别周界入侵信号时,基于PSO-GWO-SVM算法的分类器获得了96.86%的准确率、95.82%的灵敏度(SE)和96.31%的特异性。与传统的信号识别方法相比,具有更优异的识别精度、适应性和时效性。     

A novel intrusion detection model for the CAN bus packet of in-vehicle network based on attention mechanism and autoencoder

The attacks on in-vehicle Controller Area Network (CAN) bus messages severely disrupt normal communication between vehicles. Therefore, researches on intrusion detection models for CAN have positive business value for vehicle security, and the intrusion detection technology for CAN bus messages can effectively protect the in-vehicle network from unlawful attacks. Previous machine learning-based models are unable to effectively identify intrusive abnormal messages due to their inherent shortcomings. Hence, to address the shortcomings of the previous machine learning-based intrusion detection technique, we propose a novel method using Attention Mechanism and AutoEncoder for Intrusion Detection (AMAEID). The AMAEID model first converts the raw hexadecimal message data into binary format to obtain better input. Then the AMAEID model encodes and decodes the binary message data using a multi-layer denoising autoencoder model to obtain a hidden feature representation that can represent the potential features behind the message data at a deeper level. Finally, the AMAEID model uses the attention mechanism and the fully connected layer network to infer whether the message is an abnormal message or not. The experimental results with three evaluation metrics on a real in-vehicle CAN bus message dataset outperform some traditional machine learning algorithms, demonstrating the effectiveness of the AMAEID model.     

耦合负类样本裁剪与非对称错分惩罚的非均衡SVM算法

针对标准支持向量机（SVM）识别非均衡数据往往会出现最优超平面倾向性和正类样本大量错分的现象,探讨SVM识别非均衡数据失效的原因及对策;考虑到SVM最优超平面仅由少量支持向量完全决定的特性,提出一种基于负类边界样本裁剪策略的SVM数学模型.鉴于该模型需经多次负类数据的"训练-裁剪"过程才能较好地识别正类样本且较为费时,以等效的一次性裁掉更多样本的裁截面技术作为替代,提出一种耦合负类样本裁剪与非对称错分惩罚的非均衡SVM算法,并利用改进正余弦优化算法优化裁剪偏移量以提高算法的非均衡数据处理能力.数值实验结果验证了裁剪偏移量的优化必要性、改进正余弦优化算法的较强优化性能和改进SVM算法对非均衡数据的较好识别性能.     

基于EQPSO-GS优化SVM的入侵检测模型研究

支持向量机(Support Vector Machine,SVM)的惩罚因子C和核参数σ影响模型分类精度和泛化性能。传统进化算法优化支持向量机时主要存在早熟收敛、优收敛速度慢、收敛精度低以及泛化性能不高等问题。针对这些问题,将精英策略与量子粒子群算法融合,提出了精英量子粒子群算法(Elite Quantum Particle Swarm Optimization Algorithm,EQPSO),既提高了种群收敛速度,也一定程度上避免了算法局部收敛,凭借其全局探索能力初探参数范围,并通过网格搜索算法(Grid Search Algorithm,GS)提高开发能力做进一步的优化,将优化好的SVM模型用于入侵检测。利用入侵检测数据集UNSW-NB15对传统的进化算法优化支持向量机模型进行仿真实验,通过交叉验证对比EQPSO-GS-SVM、QPSO-SVM、PSO-SVM、DE-SVM模型,得出EQPSO-GS优化的SVM模型具有更好的泛化性能。     

基于聚类支持向量机的入侵检测算法

针对支持向量机应用到入侵检测中训练时间长的特点,提出了一种基于聚类的支持向量机的入侵检测算法。该方法可以对训练数据进行剪枝,以靠近判别边界的聚类中心集合作为有效的训练样本集合对支持向量机进行训练,减少了样本的训练时间,提高了算法的效率。实验结果表明该方法对入侵检测是有效的。     

改进支持向量机在网络入侵检测中的应用

为提高网络安全性,提出一种改进支持向量机的网络入侵检测算法.首先采用核主成分分析提取网络数据重要特征,加快网络入侵检测速度,然后采用粒子群算法对支持向量机参数进行优化,提高网络检测正确率.仿真实验结果表明,改进支持向量提高网络入侵检测正确率,降低漏检率,同时加快了网络入侵检测速度,是一种有效、实时性较强的网络入侵检测算法.