• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    融合鄰域粗糙集與粒子群優(yōu)化的網(wǎng)絡(luò)入侵檢測

    2013-07-20 07:55:28趙暉
    計算機工程與應(yīng)用 2013年18期
    關(guān)鍵詞:約簡粗糙集鄰域

    趙暉

    陜西理工學(xué)院 數(shù)學(xué)與計算機科學(xué)學(xué)院,陜西 漢中 723000

    融合鄰域粗糙集與粒子群優(yōu)化的網(wǎng)絡(luò)入侵檢測

    趙暉

    陜西理工學(xué)院 數(shù)學(xué)與計算機科學(xué)學(xué)院,陜西 漢中 723000

    1 引言

    入侵檢測是一種通過收集和分析被保護系統(tǒng)信息來發(fā)現(xiàn)入侵的主動網(wǎng)絡(luò)安全技術(shù),主要功能是對網(wǎng)絡(luò)和計算機系統(tǒng)進(jìn)行實時監(jiān)控,發(fā)現(xiàn)和識別系統(tǒng)中的入侵行為,發(fā)出入侵警報。入侵檢測一般被視為系統(tǒng)狀態(tài)是“正?!被颉爱惓!钡亩诸悊栴}。

    入侵檢測領(lǐng)域中所獲得的數(shù)據(jù)具有非線性及高維特點,且數(shù)據(jù)往往并不服從某種已知分布,這就使得傳統(tǒng)統(tǒng)計學(xué)的方法難以進(jìn)行有效的檢測,神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)、支持向量機以及K鄰近等機器學(xué)習(xí)方法被用于入侵檢測領(lǐng)域,其中支持向量機(Support Vector Machine,SVM)[1-4]是建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上,以結(jié)構(gòu)風(fēng)險最小化為準(zhǔn)則的機器學(xué)習(xí)方法,具有結(jié)構(gòu)簡單、全局優(yōu)化、訓(xùn)練時間短、泛化性能好等優(yōu)點,較好地解決了高維、非線性、小樣本等問題。文獻(xiàn)[5-6]采用支持向量機進(jìn)行入侵檢測,獲得了較好效果,顯示了支持向量機優(yōu)于其他分類算法的性能。大量研究表明[7-8],支持向量機性能與其核函數(shù)的類型、核函數(shù)參數(shù)和懲罰參數(shù)有著密切的關(guān)系,這些參數(shù)會影響SVM的分類精度及泛化性能。目前,人們往往憑經(jīng)驗,通過大量反復(fù)實驗獲得較優(yōu)參數(shù),這種方法比較費時,獲得的參數(shù)不一定是最優(yōu)的。近年,很多學(xué)者提出一些其他參數(shù)優(yōu)化方法,文獻(xiàn)[9]利用梯度下降法進(jìn)行參數(shù)優(yōu)化,雖然縮短參數(shù)搜索時間,但對初始點的選取要求較高,且是一種線性搜索方法,極易陷入局部最優(yōu);文獻(xiàn)[10-11]利用遺傳算法、文獻(xiàn)[12-13]利用蟻群算法對SVM參數(shù)進(jìn)行優(yōu)化選擇,這些智能方法雖然降低了對初值選擇的依賴性,但算法原理和思想比較復(fù)雜,對不同的優(yōu)化問題都需要設(shè)計不同的交叉、變異和選擇方式,且也易陷入局部最優(yōu)。粒子群(ParticleSwarm Optimization,PSO)[14-15]算法是一種有效的全局尋優(yōu)算法,通過種群中粒子之間的競爭與合作產(chǎn)生的群體智能來指導(dǎo)優(yōu)化搜索過程尋找最優(yōu)解,相對上述其他方法具有概念簡單、效率高及容易實現(xiàn)的特性。本文采用粒子群算法優(yōu)化支持向量機的參數(shù),以提高算法的泛化性能。

    入侵檢測數(shù)據(jù)的屬性中并非所有屬性對入侵檢測都是有效或起決定性作用的,而且含有大量噪聲,同時屬性之間也存在一定的冗余,這會降低檢測精度,所以屬性約簡是提高入侵檢測性能的有效途徑。主成分分析、聚類、粗糙集、信息增益等是目前常用的屬性壓縮或約簡方法。粗糙集(Rough Set,RS)[16]是建立在離散空間等價關(guān)系上的專門研究不精確性和不確定性知識的數(shù)學(xué)工具,其核心是知識約簡,生成規(guī)則中包含了對分類起著不可或缺的條件屬性。蔡忠閩等[16-18]將粗糙集應(yīng)用于入侵檢測,進(jìn)一步提高檢測效果。但傳統(tǒng)粗糙集不能直接處理連續(xù)型數(shù)據(jù),需要對連續(xù)屬性進(jìn)行離散化,這一處理過程必然會帶來信息丟失,檢測結(jié)果受離散化處理技術(shù)的影響很大并且降低了檢測精度。鄰域粗糙集(Neighborhood Rough Set)[19-21]是一種在經(jīng)典粗糙集理論基礎(chǔ)上發(fā)展起來的能夠直接處理連續(xù)型數(shù)據(jù)的方法,它不需要事先對連續(xù)數(shù)據(jù)進(jìn)行離散化處理,在約簡之前不存在離散化帶來的信息損失問題,使選擇得到的屬性子集具有更強的分類能力。

    基于以上分析,本文融合了鄰域粗糙集與粒子群進(jìn)行入侵檢測。首先采用鄰域粗糙集方法對原始訓(xùn)練集進(jìn)行屬性約簡,消除噪聲及冗余屬性,然后再使用經(jīng)粒子群優(yōu)化核函數(shù)、懲罰等參數(shù)的支持向量機進(jìn)行訓(xùn)練與測試。本文并在KDD99數(shù)據(jù)集進(jìn)行仿真實驗來驗證本文算法的有效性和優(yōu)越性。

    2 本文算法

    2.1 基于鄰域粗糙集的屬性約簡

    入侵檢測數(shù)據(jù)具有高維大樣本特征,這就使得機器學(xué)習(xí)過程中存在如下兩方面的問題:首先入侵檢測數(shù)據(jù)集中存在大量噪聲及冗余屬性,嚴(yán)重影響分類器的分類精度;其次,機器學(xué)習(xí)算法的訓(xùn)練和分類時間隨數(shù)據(jù)維數(shù)的增加而增加,會降低分類算法的效率。大量研究證明,進(jìn)行屬性約簡是提高分類器分類精度、提高算法效率的有效方法。

    粗糙集理論[16]是由波蘭學(xué)者Pawlak于1982年提出的一種有效處理不完整、不精確信息的數(shù)學(xué)分析工具,該理論的特性是不需要任何先驗信息,僅使用數(shù)據(jù)本身的內(nèi)部信息便能從中發(fā)現(xiàn)隱含知識,揭示潛在規(guī)律,對不完整不精確數(shù)據(jù)進(jìn)行有效處理。傳統(tǒng)粗糙集理論首先要將連續(xù)數(shù)據(jù)離散化,這樣會導(dǎo)致原始信息的丟失,計算處理的結(jié)果在很大程度上取決于離散化的效果。鄰域粗糙集[19-21]是胡清華在經(jīng)典粗糙集理論模型的基礎(chǔ)上發(fā)展起來的能夠直接處理連續(xù)型數(shù)據(jù)的方法,它不需要事先對連續(xù)型數(shù)據(jù)進(jìn)行離散化處理,可直接用于知識約簡等問題。因此,為保證入侵檢測的準(zhǔn)確性和原始信息的完整性,本文采用鄰域粗糙集方法進(jìn)行屬性約簡,在此基礎(chǔ)上對入侵檢測信息樣本空間進(jìn)行鄰域?;苯佑嬎銟颖揪嚯x,確定樣本之間相鄰關(guān)系。

    如果?si∈S且B∈G,樣本si在子屬性空間B中的鄰域記為δB(si),則δB(si)={sj|sj∈S,ΔB(si,sj)≤δ},其中δ是一個預(yù)設(shè)的閾值,ΔB(si,sj)是在子屬性空間B中的一個測度函數(shù)。通常使用的測度函數(shù)有:Manhattan距離、Euclidean距離和Chebychev距離。設(shè)s1和s2表示n維屬性空間G={g1,g2,…,gn}中的兩個樣本,f(s,gi)表示樣本s在第i維屬性gi的值,則Minkowsky距離可定義為:,當(dāng)p=1,則稱之為Manhattan距離Δ1;p=2,則稱之為Euclidean距離 Δ2;p=∞,則稱之為Chebychev距離Δ∞。

    設(shè)a∈B,則屬性的重要度定義為:

    鄰域粗糙集屬性約簡算法:

    算法結(jié)束

    2.2 基于粒子群優(yōu)化的支持向量機參數(shù)選擇

    2.2.1 支持向量機

    支持向量機[1-2]是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)方法,以結(jié)構(gòu)風(fēng)險最小化為準(zhǔn)則,較好地解決了高維、非線性、小樣本等問題?;舅枷胧腔贛ercer定理,通過適當(dāng)?shù)姆蔷€性變換將輸入空間變換到一個高維特征空間,把在這個特征空間中尋找線性回歸最優(yōu)超平面歸結(jié)為求解凸規(guī)劃問題,并求得全局最優(yōu)解。

    對于給定樣本點:

    (1)線性可分。問題便歸結(jié)為以下優(yōu)化問題

    判別函數(shù):

    為了求解式(2),使用Wolfe對偶定理把上述問題轉(zhuǎn)化為其對偶問題進(jìn)行求解:

    (2)線性不可分。引入松弛變量ξi,把式(2)改寫為下面的求解問題。

    類似的可以得到相應(yīng)的對偶問題:

    對式(4)、(6)的求解是一個典型的有約束的二次優(yōu)化問題,已經(jīng)有了很多成熟的求解算法。

    2.2.2 粒子群算法

    Eberhart于1995年提出了基于鳥群覓食行為的粒子群優(yōu)化算法[14],由于該算法概念簡明、實現(xiàn)方便、收斂速度快、參數(shù)設(shè)置少,是一種高效的優(yōu)化算法。在粒子群算法中,每個個體稱為一個“粒子”,其實每個粒子代表著一個潛在的解。在一個D維的目標(biāo)搜索空間中,每個粒子看成是空間內(nèi)的一個點。設(shè)群體由m個粒子構(gòu)成。m也被稱為群體規(guī)模,它的取值會影響算法的運算速度和收斂性。

    PSO算法的數(shù)學(xué)描述為:設(shè)在一個D維空間中,由m個粒子組成的種群X=(x1,…,xi,…,xm),其中第i個粒子位置為xi=(xi1,xi2,…,xiD)T,其速度為Vi=(vi1,vi2,…,vid,…,viD)T。它的個體極值為pibest=(pi1,pi2,…,piD)T,種群的全局極值為pgbest=(pg1,pg2,…,pgD)T,按照追隨當(dāng)前最優(yōu)例子的原理,粒子xi將按式(7)、(8)改變自己速度和位置。

    式中j=1,2,…,D,i=1,2,…,m,m為種群規(guī)模,t為當(dāng)前進(jìn)化代數(shù),r1,r2為分布于[ ] 0,1之間的隨機數(shù);c1,c2為加速因子,ω為權(quán)重向量。

    2.2.3 基于粒子群算法的SVM參數(shù)優(yōu)化算法

    研究表明,支持向量機核函數(shù)及相關(guān)參數(shù)、懲罰參數(shù)是影響其分類性能的關(guān)鍵因素。其中,懲罰系數(shù)C反映了算法對離群樣本數(shù)據(jù)的懲罰程度,其值影響模型的復(fù)雜性和穩(wěn)定性。C過小,對超出離群樣本點懲罰就小,訓(xùn)練誤差變大;C過大,學(xué)習(xí)精度相應(yīng)提高,但模型的泛化能力變差。C的值影響到對樣本中“離群點”(噪聲影響下非正常數(shù)據(jù)點)的處理,選取合適的C就能在一定程度提高抗干擾能力,從而保證模型的穩(wěn)定性。

    徑向基K(x,y)=exp(-‖x-y‖2/σ2)是應(yīng)用最廣泛的核函數(shù),無論是低維、高維、小樣本、大樣本等情況,RBF核函數(shù)均適用,具有較寬的收斂域,是較為理想的核函數(shù)。核函數(shù)的寬度系數(shù)σ反映了支持向量之間的相關(guān)程度。σ很小,支持向量間的聯(lián)系比較松弛,學(xué)習(xí)機器相對復(fù)雜,推廣能力得不到保證;σ太大,支持向量間的影響過強,難以達(dá)到足夠的精度。

    因此核函數(shù)參數(shù)σ和懲罰參數(shù)C是影響支持向量機分類精度的重要因素。本文將采用粒子群算法搜索一組最優(yōu)的懲罰系數(shù)、核參數(shù){ }C,σ,使得支持向量機的分類精度最高。以支持向量機在訓(xùn)練集上的交叉驗證誤差為適應(yīng)度函數(shù)。算法具體步驟如下:

    步驟1種群初始化與參數(shù)設(shè)置:種群粒子初始化{C,σ},種群規(guī)模m,迭代次數(shù)T,加速因子c1,c2,權(quán)重因子ω。

    步驟2計算初始粒子的適應(yīng)度值并進(jìn)行比較,取適應(yīng)度最好的粒子(即適應(yīng)度最小的粒子)所對應(yīng)的個體極值作為最初的全局極值pgbest。

    步驟3按照式(7)與式(8)進(jìn)行迭代計算,更新粒子的位置、速度。

    步驟4計算當(dāng)前粒子的適應(yīng)度。

    步驟5將每個粒子的適應(yīng)度值與其pibest對應(yīng)的適應(yīng)度值比較,若優(yōu),更新pibest,否則保留原值。

    步驟6將更新后的每個粒子的pibest與全局極值pgbest比較,若優(yōu),更新pgbest,否則保留原值。

    步驟7判斷是否滿足終止條件,若達(dá)到最大迭代次數(shù)T,或所得最優(yōu)粒子不再變化就終止迭代,否則返回到步驟3。

    2.3 本文算法的步驟與框架

    步驟1利用鄰域粗糙集對訓(xùn)練集進(jìn)行屬性約簡,產(chǎn)生約簡的訓(xùn)練集。

    步驟2在產(chǎn)生的訓(xùn)練集上利用粒子群算法優(yōu)化支持向量機參數(shù),獲得最優(yōu)(C,σ)。

    步驟3將(C,σ)作為支持向量機的參數(shù),在約簡的訓(xùn)練集上進(jìn)行訓(xùn)練,并在測試集上進(jìn)行測試。

    本文算法框架如圖1所示。

    圖1 本文算法框架

    3 仿真實驗及結(jié)果分析

    3.1 實驗數(shù)據(jù)

    選取KDD CUP 99數(shù)據(jù)集中的10%數(shù)據(jù)集作為實驗數(shù)據(jù)集。10%數(shù)據(jù)集包括訓(xùn)練集和測試集兩部分,從10%數(shù)據(jù)集的訓(xùn)練集中隨機抽取1 000個樣本作為訓(xùn)練數(shù)據(jù),其中包含入侵?jǐn)?shù)據(jù)195個,其中包含四大類攻擊11種,具體為Dos攻擊有ueptne攻擊40個、smurf攻擊90個、back攻擊6個,probing攻擊有ipsweep攻擊10個、portsweep攻擊10個、satan攻擊15個,U2R攻擊有buffer_overflow攻擊4個、rootkit攻擊4個,R2L攻擊有waremster攻擊4個、Guess_passwd攻擊6個、warezclient攻擊6個。從10%數(shù)據(jù)集的訓(xùn)練集中隨機抽取800個樣本分別作為測試數(shù)據(jù),其中已知攻擊100個,為驗證算法對未知攻擊的檢測效果,加入未知攻擊100個。

    為驗證本文算法對未知攻擊的檢測能力,在測試數(shù)據(jù)集中加訓(xùn)練集中沒有的攻擊類型,分為4大類10種,分別為Dos攻擊有teardrop10個、pod20個、land5個,probing攻擊有nmap10個,U2R攻擊有l(wèi)oadmodule2個、perl2個,R2L攻擊有spy2個、phf2個、imap5個、multihop2個、ftp_write2個,測試集數(shù)據(jù)共包含攻擊類型21種。

    3.2 算法評價標(biāo)準(zhǔn)

    入侵檢測系統(tǒng)的性能評價指標(biāo)主要有兩個:檢測率、誤警率。

    3.3 實驗方法

    為了研究算法的穩(wěn)定性,實驗重復(fù)100次,取其平均值作為實驗結(jié)果。其中:

    算法1:直接采用SVM進(jìn)行分類(該算法中SVM參數(shù)隨機生成)。

    算法2:先采用粗糙集進(jìn)行屬性約簡,然后利用SVM進(jìn)行分類(算法中SVM參數(shù)隨機生成)。

    算法3:先采用鄰域粗糙集進(jìn)行屬性約簡,然后利用SVM分類(該算法中SVM參數(shù)隨機生成)。

    本文算法:先用鄰域粗糙集進(jìn)行屬性約簡,然后使用PSO優(yōu)化SVM參數(shù),最后利用SVM分類。

    3.4 實驗結(jié)果與分析

    3.4.1 鄰域粗糙集半徑與入侵檢測精度

    在算法3與本文算法中,需要設(shè)置鄰域粗糙集的半徑,半徑的不同會導(dǎo)致分類精度的差異,這里設(shè)置鄰域半徑在0.01到1之間,以0.01為步長的方式取值,對于鄰域半徑每一個取值,算法都得到一個屬性子集,共獲得100個屬性子集。

    圖2、3分別直觀地顯示了入侵檢測率、誤警率與鄰域半徑之間的關(guān)系。從圖2可以看出半徑在0.01到0.24之間的時候,其入侵檢測率保持在81%左右,而當(dāng)半徑增加到0.27到0.48之間時,檢測率有大幅提高,大概在92%左右,說明鄰域半徑對檢測率的影響是較大的。從圖3看到,半徑在0.01到0.48之間的時候,其誤警率基本保持在2%左右,而0.48到0.6,誤警率大幅增加。

    圖2 鄰域粗糙集半徑與入侵檢測率關(guān)系

    圖3 鄰域粗糙集半徑與入侵誤警率關(guān)系

    綜合以上分析可得,當(dāng)鄰域半徑在0.3到0.48與0.6到0.66之間的時候,其檢測率較高,同時誤警率達(dá)到較低的狀態(tài),這為鄰域粗糙集的使用提供一定借鑒。

    3.4.2 不同算法的檢測精度比較

    粒子群算法中的參數(shù)設(shè)置如下:c1為1.5,c2為1.7,最大進(jìn)化代數(shù)為200,種群規(guī)模為20,k為0.6,速率更新公式中速度前面的彈性系數(shù)為1,種群更新公式中速度前面的彈性系數(shù)為1,SVM Cross Validation參數(shù)為3,SVM參數(shù)c的變化范圍為[0.1,100],SVM參數(shù)δ的變化范圍為[0.01,1 000]。

    表1 算法1、算法2、算法3與本文算法的實驗結(jié)果 (%)

    表2 不同算法對已知、未知攻擊的平均檢測率 (%)

    表1給出了四種不同算法的實驗結(jié)果??梢钥吹?,本文算法的檢測率平均值與最優(yōu)值是四種算法中最高的,同時誤警率是最低的。算法2采用了粗糙集對數(shù)據(jù)集進(jìn)行了屬性約簡,使得檢測率相對算法1提高約3%左右,說明通過屬性約簡可以剔除部分噪聲和冗余屬性,提高入侵檢測效果;算法3檢測率相對算法2提高約4%左右,說明了鄰域粗糙集直接對連續(xù)型數(shù)據(jù)進(jìn)行處理,避免傳統(tǒng)粗糙集離散化過程中帶來的信息損失,入侵檢測效果進(jìn)一步提高;當(dāng)SVM參數(shù)C=1.47,σ=4.09,鄰域粗糙集半徑取0.31,本文算法的入侵檢測率最優(yōu)值達(dá)到95.42%,誤警率到達(dá)0.81%,其檢測性能優(yōu)于其他算法,主要是SVM參數(shù)的選擇對于增強分類器的泛化性能具有很大的影響,最終導(dǎo)致檢測性能的大幅提高。

    表2給出四種算法在已知、未知攻擊上的檢測率。發(fā)現(xiàn)本文算法對已知攻擊和未知攻擊檢測上都有大幅度的提高,充分說明了該算法對未知攻擊檢測的有效性,算法具有較強的泛化性能和魯棒性。

    3.4.3 穩(wěn)定性分析

    圖4顯示了四種不同算法的穩(wěn)定性??梢郧宄乜闯霰疚乃惴ㄔ诜€(wěn)定性以及精確率兩方面都遠(yuǎn)優(yōu)于其他算法,具有更好的泛化性能和魯棒性。

    圖4 四種不同算法的穩(wěn)定性與精度比較

    4 結(jié)論

    入侵檢測數(shù)據(jù)往往具有噪聲和冗余屬性,并且部分屬性數(shù)據(jù)具有連續(xù)性,為了克服連續(xù)屬性離散化過程中帶來的信息損失,本文采用鄰域粗糙集模型進(jìn)行屬性約簡,并使用粒子群算法優(yōu)化支持向量機核函數(shù)參數(shù)和懲罰參數(shù),在KDD99數(shù)據(jù)集上的仿真實驗結(jié)果表明本文算法可以進(jìn)一步提高入侵檢測率并同時降低誤警率,該算法具有較強的泛化性能和魯棒性。

    [1]Sanchez A D.Advanced support vector machines and kernel methods[J].Neurocomputing.2003,55(1):15-20.

    [2]陳濤.選擇性支持向量機集成算法[J].計算機工程與設(shè)計,2011(5):259-263.

    [3]陳濤.基于雙重擾動的支持向量機集成[J].計算機應(yīng)用,2011,28(1):46-49.

    [4]陳濤.基于加速遺傳算法的選擇性支持向量機集成[J].計算機應(yīng)用研究,2011,32(2):57-61.

    [5]陳光英,張千里,李星,等.基于SVM分類機的入侵檢測系統(tǒng)[J].通信學(xué)報,2002,23(5):51-56.

    [6]饒鮮,董春曦,楊紹全,等.基于支持向量機的入侵檢測系統(tǒng)[J].軟件學(xué)報,2003,14(4):798-803.

    [7]陳濤.基于差分進(jìn)化算法的支持向量回歸機參數(shù)優(yōu)化[J].計算機仿真,2011(6):674-679.

    [8]陳濤,雍龍泉,鄧方安,等.基于差分進(jìn)化算法的支持向量機參數(shù)選擇[J].計算機工程與應(yīng)用,2011,47(5):24-26.

    [9]Chappelle O.Choosing multiple parameters for support vector machines[J].Machine Learning,2002,46(1):131-160.

    [10]Zheng Chunhong,Jiao Licheng.Automatic parameters selection for SVM based on GA[C]//Proceedings of the 5th World Congress on Intelligent Control and Automation.Piscataway,NJ:IEEE Press,2004:1869-1872.

    [11]楊潔.基于遺傳算法的SVM帶權(quán)特征和模型參數(shù)優(yōu)化[J].計算機仿真,2008(9):48-51.

    [12]齊亮.基于蟻群算法的支持向量機參數(shù)選擇方法研究[J].系統(tǒng)仿真技術(shù),2008(11):34-38.

    [13]秦軍立,倪世宏,蘇晨.基于蟻群優(yōu)化SVM及其應(yīng)用研究[J].計算機仿真,2009(11):46-49.

    [14]Fukuyama Y.Fundamentals of particle swarm optimization techniques[M]//Modern Heuristic Optimization Techniques:Theory and Applications to Power Systems.[S.l.]:IEEE Power Engineering Society,2002:45-51.

    [15]Shao Xinguang,Yang Huizhong,Chen Gang.Parameters selection and application of support vector machines based on particle swarm optimization algorithm[J].Control Theory and Applications,2006,23(5):740-743.

    [16]張義榮,鮮明,肖順平,等.一種基于粗糙集屬性約簡的支持向量異常入侵檢測方法[J].計算機科學(xué),2006,33(6):64-68.

    [17]趙曦濱,井然哲,顧明,等.基于粗糙集的自適應(yīng)入侵檢測算法[J].清華大學(xué)學(xué)報,2008,48(7):1158-1168.

    [18]陳濤.基于動態(tài)粗糙集約簡的選擇性支持向量機集成[J].計算機仿真,2012,43(2):328-331.

    [19]胡清華,于達(dá)仁,謝宗霞,等.基于鄰域?;痛植诒平臄?shù)值屬性約簡[J].軟件學(xué)報,2008,15(3):121-125.

    [20]胡清華,趙輝,于達(dá)仁,等.基于鄰域粗糙集的符號與數(shù)值屬性快速約簡算法[J].模式識別與人工智能,2008,21(6):89-95.

    [21]Hu Q H,Yu D R,Liu J F,et al.Neighborhood rough set based heterogeneous feature subset selection[J].Information Sciences,2008,178(18):3577-3594.

    ZHAO Hui

    School of Mathematics and Computer Science,Shaanxi University of Technology,Hanzhong,Shaanxi 723000,China

    The intrusion detection data contains large redundant and noisy features,as well as some continuous attributes.This paper presents an algorithm based on neighborhood rough set and Particle Swarm Optimization algorithm for the effect of intrusion detection.Training subset is reduced by using neighborhood rough set,and new training subset is generated.The redundant attributes and noise are eliminated to avoid information loss when using traditional rough set;parameters of Support Vector Machine are optimized using particle swarm algorithm to avoid the risk of low precision by subjective choiced parameters.It improves the performance of the intrusion detection.The simulation results in the KDD99 dataset show that the algorithm can effectively improve the accuracy and efficiency of intrusion detection.It has high generalization and stability.

    network intrusion detection;neighborhood rough set;Support Vector Machine(SVM);Particle Swarm Optimization(PSO)algorithm

    入侵檢測數(shù)據(jù)往往含有大量的冗余、噪音特征及部分連續(xù)型屬性,為了提高網(wǎng)絡(luò)入侵檢測的效果,利用鄰域粗糙集對入侵檢測數(shù)據(jù)集進(jìn)行屬性約簡,消除冗余屬性及噪聲,也避免了傳統(tǒng)粗糙集在連續(xù)型屬性離散化過程中帶來的信息損失;使用粒子群算法優(yōu)化支持向量機的核函數(shù)參數(shù)和懲罰參數(shù),以避免靠主觀選擇參數(shù)帶來精度較低的風(fēng)險,進(jìn)一步提高入侵檢測的性能。仿真實驗結(jié)果表明,該算法能有效提高入侵檢測的精度,具有較高的泛化性和穩(wěn)定性。

    入侵檢測;鄰域粗糙集;支持向量機;粒子群算法

    A

    TP18

    10.3778/j.issn.1002-8331.1301-0383

    ZHAO Hui.Network intrusion detection algorithm based on neighborhood rough set and PSO.Computer Engineering and Applications,2013,49(18):73-77.

    國家自然科學(xué)基金(No.81160183);陜西省教育廳科研基金(No.12JK0864);陜西理工學(xué)院科研基金(No.SLGKY11-08)。

    趙暉(1979—),男,講師,研究方向為數(shù)據(jù)挖掘、網(wǎng)絡(luò)安全。E-mail:zh911@sina.com

    2013-02-01

    2013-03-18

    1002-8331(2013)18-0073-05

    CNKI出版日期:2013-04-08 http://www.cnki.net/kcms/detail/11.2127.TP.20130408.1646.001.html

    猜你喜歡
    約簡粗糙集鄰域
    基于Pawlak粗糙集模型的集合運算關(guān)系
    稀疏圖平方圖的染色數(shù)上界
    基于二進(jìn)制鏈表的粗糙集屬性約簡
    基于鄰域競賽的多目標(biāo)優(yōu)化算法
    實值多變量維數(shù)約簡:綜述
    基于模糊貼近度的屬性約簡
    多?;植诩再|(zhì)的幾個充分條件
    關(guān)于-型鄰域空間
    雙論域粗糙集在故障診斷中的應(yīng)用
    兩個域上的覆蓋變精度粗糙集模型
    久久精品国产鲁丝片午夜精品| 亚洲在久久综合| 婷婷精品国产亚洲av| 黄色欧美视频在线观看| 看免费成人av毛片| 在线观看免费视频日本深夜| 自拍偷自拍亚洲精品老妇| 男女做爰动态图高潮gif福利片| 五月伊人婷婷丁香| 久久久久久久午夜电影| 久久久久久久午夜电影| 亚洲美女视频黄频| 国产一级毛片在线| 日韩欧美精品免费久久| 夜夜爽天天搞| 久久久久久久午夜电影| 亚洲精品粉嫩美女一区| 日韩欧美精品v在线| 亚洲人成网站在线播放欧美日韩| 18+在线观看网站| 国产日韩欧美在线精品| 亚洲av免费高清在线观看| 日韩av在线大香蕉| 3wmmmm亚洲av在线观看| 身体一侧抽搐| 国产成人一区二区在线| 成人欧美大片| 国产综合懂色| 久久精品影院6| 国产成人精品婷婷| 美女大奶头视频| 变态另类成人亚洲欧美熟女| 日本-黄色视频高清免费观看| 黄色配什么色好看| 午夜免费男女啪啪视频观看| 天堂影院成人在线观看| 欧美色欧美亚洲另类二区| 99久久无色码亚洲精品果冻| 舔av片在线| 哪里可以看免费的av片| 久久中文看片网| 久久99热这里只有精品18| 久久99蜜桃精品久久| 欧美精品一区二区大全| 91久久精品电影网| 国产女主播在线喷水免费视频网站 | 久久人人爽人人爽人人片va| 国产av不卡久久| 国产成人福利小说| 亚洲av成人av| 久久精品综合一区二区三区| 久久韩国三级中文字幕| 久久久久久久久久久丰满| 亚洲色图av天堂| 一区福利在线观看| 亚洲欧美清纯卡通| av专区在线播放| 午夜福利高清视频| 国产一区二区亚洲精品在线观看| 熟女人妻精品中文字幕| av在线亚洲专区| 久久99精品国语久久久| 亚洲aⅴ乱码一区二区在线播放| 国产精品美女特级片免费视频播放器| 日韩欧美在线乱码| 深夜a级毛片| 在线观看美女被高潮喷水网站| 啦啦啦啦在线视频资源| av福利片在线观看| 长腿黑丝高跟| 国产美女午夜福利| 不卡视频在线观看欧美| 久久99热这里只有精品18| 午夜老司机福利剧场| 又爽又黄a免费视频| 在线观看免费视频日本深夜| 亚洲国产欧美人成| 女人被狂操c到高潮| 麻豆成人av视频| 深夜a级毛片| 国产高清有码在线观看视频| 日韩欧美国产在线观看| 久久精品91蜜桃| 亚洲av免费在线观看| 国产亚洲av嫩草精品影院| 国内精品久久久久精免费| 亚洲一区二区三区色噜噜| 五月玫瑰六月丁香| 成人av在线播放网站| 久久这里有精品视频免费| 中文字幕av成人在线电影| 国产精品日韩av在线免费观看| 亚洲人与动物交配视频| 日韩国内少妇激情av| www日本黄色视频网| 成人午夜高清在线视频| 中文字幕人妻熟人妻熟丝袜美| 欧美日韩一区二区视频在线观看视频在线 | 天美传媒精品一区二区| 国产精品久久电影中文字幕| 国产精品一区二区在线观看99 | 小说图片视频综合网站| 一边亲一边摸免费视频| 国产69精品久久久久777片| 亚洲在久久综合| 国内揄拍国产精品人妻在线| 麻豆成人午夜福利视频| 国产伦理片在线播放av一区 | 能在线免费观看的黄片| 特级一级黄色大片| 日日撸夜夜添| 狂野欧美白嫩少妇大欣赏| 日韩成人伦理影院| 国内揄拍国产精品人妻在线| 亚洲欧美中文字幕日韩二区| 熟妇人妻久久中文字幕3abv| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 亚洲色图av天堂| 久久久成人免费电影| 最近手机中文字幕大全| 日韩成人伦理影院| 亚洲av.av天堂| 1024手机看黄色片| 国产伦在线观看视频一区| 日韩中字成人| 国产淫片久久久久久久久| 国产午夜精品一二区理论片| 成人三级黄色视频| 男插女下体视频免费在线播放| 国产亚洲av片在线观看秒播厂 | 日韩视频在线欧美| 亚洲精品日韩在线中文字幕 | 网址你懂的国产日韩在线| 亚洲综合色惰| 国产日本99.免费观看| 久久精品国产亚洲av涩爱 | 联通29元200g的流量卡| 精品人妻视频免费看| 亚洲aⅴ乱码一区二区在线播放| 国产大屁股一区二区在线视频| 日本黄大片高清| 国国产精品蜜臀av免费| 国产91av在线免费观看| 国产免费一级a男人的天堂| 舔av片在线| 亚洲久久久久久中文字幕| 九九在线视频观看精品| 中文字幕熟女人妻在线| 亚洲第一电影网av| 国产三级中文精品| 亚洲婷婷狠狠爱综合网| 国产欧美日韩精品一区二区| 男人舔女人下体高潮全视频| 国产真实乱freesex| 国产精品不卡视频一区二区| 国产精品久久久久久精品电影| 亚洲最大成人手机在线| 少妇熟女aⅴ在线视频| 我的女老师完整版在线观看| 麻豆精品久久久久久蜜桃| 大香蕉久久网| 亚洲国产欧美在线一区| 欧美3d第一页| 成人毛片60女人毛片免费| 中国国产av一级| 一级av片app| 成人亚洲欧美一区二区av| 亚洲欧洲日产国产| 99久久成人亚洲精品观看| 国产免费一级a男人的天堂| 偷拍熟女少妇极品色| 蜜桃久久精品国产亚洲av| 国产一级毛片七仙女欲春2| 乱人视频在线观看| 久久久久久久亚洲中文字幕| 亚洲精品日韩av片在线观看| 天天躁夜夜躁狠狠久久av| 成人漫画全彩无遮挡| 色尼玛亚洲综合影院| 国产精品久久久久久久电影| 观看美女的网站| 色尼玛亚洲综合影院| 久久久久久九九精品二区国产| 天美传媒精品一区二区| 国产高清三级在线| 欧美日本亚洲视频在线播放| 国产片特级美女逼逼视频| 久久久久久久久久成人| 亚洲国产欧洲综合997久久,| 99久国产av精品| 亚洲国产高清在线一区二区三| 亚洲精品国产成人久久av| 欧美另类亚洲清纯唯美| 国产高潮美女av| 国产黄片视频在线免费观看| 成人美女网站在线观看视频| 久久精品国产99精品国产亚洲性色| 日韩在线高清观看一区二区三区| 国产精品国产三级国产av玫瑰| 国产成人aa在线观看| 一个人看视频在线观看www免费| 久久久久久久久久黄片| 秋霞在线观看毛片| 成人亚洲欧美一区二区av| 九九热线精品视视频播放| 亚洲人成网站在线播| 人妻夜夜爽99麻豆av| 嫩草影院新地址| 亚洲在线观看片| 亚洲自拍偷在线| 男插女下体视频免费在线播放| 中国美白少妇内射xxxbb| 99久久中文字幕三级久久日本| 久久人人爽人人片av| 日本成人三级电影网站| 久久综合国产亚洲精品| 免费观看精品视频网站| 久久精品国产亚洲av香蕉五月| 国产成人aa在线观看| 三级经典国产精品| 成人漫画全彩无遮挡| 丝袜喷水一区| 男女做爰动态图高潮gif福利片| 少妇人妻精品综合一区二区 | 午夜亚洲福利在线播放| 成人欧美大片| 亚州av有码| 中出人妻视频一区二区| 91久久精品电影网| 禁无遮挡网站| 老熟妇乱子伦视频在线观看| 少妇裸体淫交视频免费看高清| 亚洲在线观看片| 黄片wwwwww| 国产美女午夜福利| 欧美最新免费一区二区三区| 国产黄片视频在线免费观看| 日日摸夜夜添夜夜添av毛片| 成年女人永久免费观看视频| 高清毛片免费看| 亚洲激情五月婷婷啪啪| 国产精品嫩草影院av在线观看| 日韩国内少妇激情av| 国产成人福利小说| 在线播放国产精品三级| 亚洲精品久久久久久婷婷小说 | 中文字幕精品亚洲无线码一区| 人人妻人人澡人人爽人人夜夜 | 最好的美女福利视频网| 久99久视频精品免费| 国产黄片美女视频| 免费观看人在逋| 成人一区二区视频在线观看| 久久中文看片网| 99久国产av精品| 22中文网久久字幕| 欧美xxxx黑人xx丫x性爽| 在线播放无遮挡| 国产高清视频在线观看网站| 老师上课跳d突然被开到最大视频| 少妇人妻一区二区三区视频| 秋霞在线观看毛片| 大型黄色视频在线免费观看| 日韩亚洲欧美综合| 日本黄色视频三级网站网址| 亚洲婷婷狠狠爱综合网| 亚洲,欧美,日韩| 床上黄色一级片| 一本精品99久久精品77| 99久久精品热视频| 欧洲精品卡2卡3卡4卡5卡区| 日韩中字成人| 嘟嘟电影网在线观看| 久久精品人妻少妇| 国产精品久久久久久精品电影小说 | 夜夜看夜夜爽夜夜摸| 岛国在线免费视频观看| 欧美日韩国产亚洲二区| 我要看日韩黄色一级片| 人人妻人人看人人澡| 男女做爰动态图高潮gif福利片| 美女xxoo啪啪120秒动态图| av免费观看日本| 有码 亚洲区| 午夜激情欧美在线| 波多野结衣巨乳人妻| 国产精品无大码| 毛片一级片免费看久久久久| 国产久久久一区二区三区| 日日啪夜夜撸| 免费搜索国产男女视频| 观看免费一级毛片| 免费看a级黄色片| 午夜福利视频1000在线观看| 日韩欧美国产在线观看| 伦理电影大哥的女人| 哪个播放器可以免费观看大片| 亚洲国产精品成人综合色| 欧美3d第一页| 乱系列少妇在线播放| 精品人妻一区二区三区麻豆| 国产一级毛片七仙女欲春2| 91aial.com中文字幕在线观看| av天堂在线播放| 天堂√8在线中文| 美女 人体艺术 gogo| 精品国内亚洲2022精品成人| 国产极品精品免费视频能看的| 久久精品国产清高在天天线| 日韩 亚洲 欧美在线| 九九在线视频观看精品| 99riav亚洲国产免费| 国产白丝娇喘喷水9色精品| 久久综合国产亚洲精品| 特级一级黄色大片| 一夜夜www| 亚洲成av人片在线播放无| 波多野结衣高清作品| 精品人妻一区二区三区麻豆| 国产精品一及| 久久精品国产鲁丝片午夜精品| 看非洲黑人一级黄片| 国产视频内射| 蜜臀久久99精品久久宅男| 在现免费观看毛片| 亚洲欧美精品自产自拍| 欧美xxxx黑人xx丫x性爽| 色综合色国产| 嫩草影院新地址| 亚洲无线观看免费| 亚洲内射少妇av| 国产又黄又爽又无遮挡在线| 国产蜜桃级精品一区二区三区| 精品久久久久久成人av| 草草在线视频免费看| 91精品国产九色| 亚洲自拍偷在线| 亚洲成a人片在线一区二区| 男女啪啪激烈高潮av片| 中文字幕精品亚洲无线码一区| 国产极品精品免费视频能看的| 久久久久九九精品影院| 国产亚洲精品久久久久久毛片| 毛片一级片免费看久久久久| 亚洲成人av在线免费| 成人漫画全彩无遮挡| 在线播放无遮挡| 舔av片在线| 国产亚洲精品av在线| 舔av片在线| kizo精华| 日本免费a在线| 热99re8久久精品国产| 色5月婷婷丁香| 国产伦理片在线播放av一区 | 国产精品乱码一区二三区的特点| 26uuu在线亚洲综合色| 久久韩国三级中文字幕| 久久精品久久久久久久性| 插逼视频在线观看| 听说在线观看完整版免费高清| 亚洲国产精品成人久久小说 | 亚洲熟妇中文字幕五十中出| 国产69精品久久久久777片| 全区人妻精品视频| 黑人高潮一二区| 禁无遮挡网站| 国产午夜精品论理片| 美女国产视频在线观看| 99久国产av精品国产电影| 欧美变态另类bdsm刘玥| 国产一区二区亚洲精品在线观看| 国产欧美日韩精品一区二区| 亚洲精品国产成人久久av| 久久久欧美国产精品| 国产视频首页在线观看| 国产伦在线观看视频一区| 欧美日韩乱码在线| 少妇高潮的动态图| av卡一久久| 亚洲色图av天堂| 夜夜爽天天搞| 国产精品久久久久久久电影| 国产片特级美女逼逼视频| 两个人的视频大全免费| 国产麻豆成人av免费视频| 91午夜精品亚洲一区二区三区| 最近2019中文字幕mv第一页| 久久人人精品亚洲av| 婷婷色av中文字幕| 热99在线观看视频| av在线老鸭窝| 国产一区二区亚洲精品在线观看| 国产伦理片在线播放av一区 | 天堂av国产一区二区熟女人妻| 国产精品日韩av在线免费观看| 赤兔流量卡办理| a级毛片a级免费在线| 18+在线观看网站| 欧美一区二区亚洲| 老熟妇乱子伦视频在线观看| 午夜免费激情av| 午夜福利在线观看免费完整高清在 | av在线亚洲专区| 一夜夜www| 欧美不卡视频在线免费观看| 亚洲欧美清纯卡通| ponron亚洲| 少妇熟女欧美另类| 欧美日韩精品成人综合77777| 99热这里只有精品一区| 亚洲一级一片aⅴ在线观看| 精品久久久久久久久久免费视频| 有码 亚洲区| 国产精品人妻久久久久久| 青青草视频在线视频观看| 精品少妇黑人巨大在线播放 | 国产精品永久免费网站| 五月玫瑰六月丁香| 中文字幕av在线有码专区| 最近视频中文字幕2019在线8| 国产成人午夜福利电影在线观看| 观看美女的网站| 少妇高潮的动态图| 禁无遮挡网站| 22中文网久久字幕| 最近2019中文字幕mv第一页| 久久国产乱子免费精品| 高清在线视频一区二区三区 | 一级毛片久久久久久久久女| 网址你懂的国产日韩在线| 最后的刺客免费高清国语| 三级国产精品欧美在线观看| 热99re8久久精品国产| 亚洲成人精品中文字幕电影| 欧美成人精品欧美一级黄| 搡女人真爽免费视频火全软件| 久久久a久久爽久久v久久| 床上黄色一级片| 日日摸夜夜添夜夜添av毛片| 国产成人a∨麻豆精品| 亚洲第一区二区三区不卡| 国产美女午夜福利| 18禁黄网站禁片免费观看直播| 高清毛片免费看| 97超视频在线观看视频| a级一级毛片免费在线观看| 我要搜黄色片| 一级黄色大片毛片| 国产精品一区www在线观看| 日本与韩国留学比较| 亚洲人成网站在线播| 在线免费观看的www视频| 联通29元200g的流量卡| 综合色丁香网| 九九在线视频观看精品| 三级毛片av免费| 免费观看a级毛片全部| 久久精品国产鲁丝片午夜精品| 日韩国内少妇激情av| 男女视频在线观看网站免费| 三级国产精品欧美在线观看| 欧美丝袜亚洲另类| 哪个播放器可以免费观看大片| 高清毛片免费看| 欧美精品国产亚洲| 欧美人与善性xxx| 好男人视频免费观看在线| 日本黄大片高清| a级毛色黄片| 久久亚洲精品不卡| 成人综合一区亚洲| av在线天堂中文字幕| 三级经典国产精品| 简卡轻食公司| 日韩中字成人| 欧美一级a爱片免费观看看| 中文字幕熟女人妻在线| h日本视频在线播放| 精品欧美国产一区二区三| 国产三级中文精品| 欧美高清性xxxxhd video| av又黄又爽大尺度在线免费看 | 欧美最新免费一区二区三区| 乱系列少妇在线播放| 美女大奶头视频| 老女人水多毛片| 亚洲国产欧美人成| 婷婷亚洲欧美| 午夜精品在线福利| 欧美日本亚洲视频在线播放| 精品久久久久久久久久久久久| 又粗又硬又长又爽又黄的视频 | 国国产精品蜜臀av免费| 岛国毛片在线播放| 国产片特级美女逼逼视频| 亚洲欧美日韩无卡精品| 国产高清三级在线| 偷拍熟女少妇极品色| 日本成人三级电影网站| 国产中年淑女户外野战色| 成人国产麻豆网| 大又大粗又爽又黄少妇毛片口| 少妇裸体淫交视频免费看高清| 精品不卡国产一区二区三区| 麻豆成人午夜福利视频| 3wmmmm亚洲av在线观看| 中文字幕久久专区| av在线播放精品| av.在线天堂| 夜夜夜夜夜久久久久| 色综合亚洲欧美另类图片| 国产在线男女| 亚洲高清免费不卡视频| 亚洲av中文av极速乱| 一卡2卡三卡四卡精品乱码亚洲| 国产亚洲91精品色在线| 国产精品99久久久久久久久| 亚洲欧美清纯卡通| 久久99蜜桃精品久久| 又爽又黄a免费视频| 亚洲精品国产成人久久av| 网址你懂的国产日韩在线| 久99久视频精品免费| 最新中文字幕久久久久| 看片在线看免费视频| 久久韩国三级中文字幕| 大型黄色视频在线免费观看| 别揉我奶头 嗯啊视频| 亚洲国产欧美人成| 网址你懂的国产日韩在线| 亚洲成人久久爱视频| eeuss影院久久| 日韩视频在线欧美| av视频在线观看入口| 麻豆久久精品国产亚洲av| 国产一级毛片在线| 国产亚洲91精品色在线| 欧美激情久久久久久爽电影| 特级一级黄色大片| 好男人在线观看高清免费视频| 精华霜和精华液先用哪个| 中文字幕久久专区| а√天堂www在线а√下载| 我的老师免费观看完整版| 亚洲欧美精品综合久久99| 欧美精品国产亚洲| 欧美不卡视频在线免费观看| 51国产日韩欧美| 国产伦精品一区二区三区视频9| 亚洲人成网站在线观看播放| 亚洲精品影视一区二区三区av| 日韩精品青青久久久久久| 内地一区二区视频在线| 国产精品爽爽va在线观看网站| 在线观看免费视频日本深夜| 欧美丝袜亚洲另类| 亚洲自偷自拍三级| 黄色一级大片看看| 最近的中文字幕免费完整| 日韩制服骚丝袜av| 色5月婷婷丁香| 亚洲av免费高清在线观看| www日本黄色视频网| 国产av麻豆久久久久久久| 国产成人a∨麻豆精品| 久久久午夜欧美精品| 真实男女啪啪啪动态图| 91在线精品国自产拍蜜月| 我的老师免费观看完整版| 国产精品久久电影中文字幕| 国产视频首页在线观看| 成人特级黄色片久久久久久久| 嘟嘟电影网在线观看| 国产一区二区在线av高清观看| 国产精品1区2区在线观看.| 青春草国产在线视频 | 校园春色视频在线观看| 男女边吃奶边做爰视频| 国产精品1区2区在线观看.| 99热这里只有是精品在线观看| 美女黄网站色视频| 久久久久国产网址| 少妇人妻精品综合一区二区 | 九九爱精品视频在线观看| 国产精品爽爽va在线观看网站| 高清午夜精品一区二区三区 | 亚洲18禁久久av| 色综合色国产| 国产日本99.免费观看| 国产精品人妻久久久影院| 伦理电影大哥的女人| 欧美色欧美亚洲另类二区| 精品午夜福利在线看| 三级经典国产精品| 成年免费大片在线观看| АⅤ资源中文在线天堂| h日本视频在线播放| 日本黄色片子视频| 亚洲国产欧洲综合997久久,| 一个人看的www免费观看视频| 成年免费大片在线观看| 九色成人免费人妻av| 欧美日韩综合久久久久久| 日本黄色片子视频| 九色成人免费人妻av| 女同久久另类99精品国产91| 欧美成人精品欧美一级黄| 淫秽高清视频在线观看| 亚洲欧美精品自产自拍| 日本三级黄在线观看| 免费观看人在逋| 又粗又爽又猛毛片免费看| 久久久久久久亚洲中文字幕| 国产精品久久久久久av不卡|