基于增量式决策树算法在入侵检测中的研究

为了更好地提高入侵检测的准确率，节省检测时间，文章提出了一种基于增量式的决策树检测算法。该方法采用了基于粒度决策熵和改进的主成分分析方法对数据集中的冗余以及不相关属性进行归类、降维。该方法将数据挖掘增量学习技术与决策树分类算法相结合，在属性降维后的决策树基础上，对于新的测试样本实例，引入扩展贝叶斯结点，比较贝叶斯分类方法与决策树分类方法的准确率，返回更新后的决策树。针对属性降维，主成分分析方法在约简属性的基础上，能够有攻击分类结果准确率高、耗时少的特点。将增量式决策树算法与贝叶斯算法、ID3算法进行对比，发现在检测精确率、检测效率的指标下，增量式决策树算法在一定程度上优于其他算法，并且误报率有效降低。