• <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
    午夜精品一区二区三区免费看| 亚洲男人的天堂狠狠| 欧美日韩乱码在线| 免费av毛片视频| 热99在线观看视频| 日本五十路高清| 一级黄色大片毛片| 少妇熟女aⅴ在线视频| 日日摸夜夜添夜夜添小说| 亚洲av成人精品一区久久| 最近最新中文字幕大全电影3| 欧美成人免费av一区二区三区| 97超级碰碰碰精品色视频在线观看| 国产精品美女特级片免费视频播放器 | 国产精品电影一区二区三区| 精品熟女少妇八av免费久了| 宅男免费午夜| www日本黄色视频网| 12—13女人毛片做爰片一| 亚洲熟女毛片儿| 欧美不卡视频在线免费观看| 少妇熟女aⅴ在线视频| 久久精品亚洲精品国产色婷小说| 99国产极品粉嫩在线观看| 天堂网av新在线| 在线播放国产精品三级| 国产av一区在线观看免费| 丰满人妻熟妇乱又伦精品不卡| www.熟女人妻精品国产| 中文在线观看免费www的网站| 蜜桃久久精品国产亚洲av| 欧美日韩亚洲国产一区二区在线观看| 日本黄色片子视频| 国产v大片淫在线免费观看| 国产单亲对白刺激| 人妻久久中文字幕网| e午夜精品久久久久久久| aaaaa片日本免费| aaaaa片日本免费| 老司机午夜十八禁免费视频| 久久这里只有精品19| av片东京热男人的天堂| 欧美中文日本在线观看视频| 美女扒开内裤让男人捅视频| 操出白浆在线播放| 免费搜索国产男女视频| 午夜精品在线福利| 18禁黄网站禁片午夜丰满| 亚洲欧美激情综合另类| 免费在线观看亚洲国产| 精品久久久久久成人av| 欧美中文日本在线观看视频| 成人三级做爰电影| 欧美日韩亚洲国产一区二区在线观看| 中文在线观看免费www的网站| 啦啦啦观看免费观看视频高清| 日日摸夜夜添夜夜添小说| 国产亚洲精品综合一区在线观看| 激情在线观看视频在线高清| 亚洲精品一卡2卡三卡4卡5卡| 亚洲国产高清在线一区二区三| 成人特级黄色片久久久久久久| 动漫黄色视频在线观看| 国产爱豆传媒在线观看| 亚洲av成人不卡在线观看播放网| 亚洲国产精品sss在线观看| avwww免费| 18禁国产床啪视频网站| 亚洲精品美女久久av网站| 欧美日韩乱码在线| 亚洲五月天丁香| 中国美女看黄片| 麻豆成人午夜福利视频| 真人一进一出gif抽搐免费| 久久久国产成人免费| 99精品久久久久人妻精品| 亚洲国产欧洲综合997久久,| 国产 一区 欧美 日韩| 国产精品1区2区在线观看.| 搞女人的毛片| 99久久精品热视频| 日本与韩国留学比较| 91字幕亚洲| 亚洲成人精品中文字幕电影| 国内揄拍国产精品人妻在线| 18禁国产床啪视频网站| 久久久久久大精品| 69av精品久久久久久| 18美女黄网站色大片免费观看| 熟女人妻精品中文字幕| 国产精品永久免费网站| 欧美乱码精品一区二区三区| 夜夜看夜夜爽夜夜摸| 一a级毛片在线观看| 久久精品综合一区二区三区| 嫩草影院入口| 国产成人av教育| 久久伊人香网站| 日韩欧美在线乱码| 一区二区三区激情视频| av国产免费在线观看| 午夜福利18| 97碰自拍视频| 欧美日本视频| 欧美国产日韩亚洲一区| 欧美成人一区二区免费高清观看 | 国产精品爽爽va在线观看网站| 亚洲美女黄片视频| 精品福利观看| 麻豆一二三区av精品| 欧美另类亚洲清纯唯美| av在线天堂中文字幕| 热99在线观看视频| 日韩精品青青久久久久久| 成人国产综合亚洲| 色哟哟哟哟哟哟| 在线观看一区二区三区| 一二三四社区在线视频社区8| 久久久精品欧美日韩精品| www.www免费av| 免费在线观看成人毛片| 亚洲avbb在线观看| 国产av麻豆久久久久久久| 白带黄色成豆腐渣| 亚洲av成人不卡在线观看播放网| 国产精品香港三级国产av潘金莲| 亚洲中文av在线| 最近最新中文字幕大全免费视频| 男人的好看免费观看在线视频| av片东京热男人的天堂| 久久午夜综合久久蜜桃| 香蕉久久夜色| 夜夜看夜夜爽夜夜摸| 少妇人妻一区二区三区视频| 亚洲av美国av| 99国产综合亚洲精品| 毛片女人毛片| 两人在一起打扑克的视频| 亚洲天堂国产精品一区在线| 在线观看舔阴道视频| 亚洲成人免费电影在线观看| 18禁观看日本| 一级a爱片免费观看的视频| 97超视频在线观看视频| 国产成人精品无人区| 久9热在线精品视频| 久久久久国产一级毛片高清牌| 亚洲欧美日韩高清在线视频| 欧美精品啪啪一区二区三区| 国产午夜福利久久久久久| 亚洲国产看品久久| 女生性感内裤真人,穿戴方法视频| 51午夜福利影视在线观看| 在线免费观看不下载黄p国产 | 亚洲欧美日韩卡通动漫| 久久久久九九精品影院| 日日干狠狠操夜夜爽| 天堂动漫精品| 国产欧美日韩一区二区三| 亚洲乱码一区二区免费版| 日本成人三级电影网站| 91在线观看av| 淫妇啪啪啪对白视频| 久久精品国产99精品国产亚洲性色| 男人的好看免费观看在线视频| 欧美日韩乱码在线| 国产精品一区二区三区四区久久| 免费看a级黄色片| 老熟妇仑乱视频hdxx| 国产毛片a区久久久久| 看片在线看免费视频| 99久国产av精品| 久久久色成人| 99久久无色码亚洲精品果冻| 九色成人免费人妻av| 午夜福利18| 日本黄色视频三级网站网址| 国产亚洲精品一区二区www| 伦理电影免费视频| 99热这里只有是精品50| 少妇熟女aⅴ在线视频| 日本黄大片高清| 国内揄拍国产精品人妻在线| 天堂动漫精品| 51午夜福利影视在线观看| 亚洲色图 男人天堂 中文字幕| 性欧美人与动物交配| 国产 一区 欧美 日韩| 9191精品国产免费久久| 99视频精品全部免费 在线 | 丝袜人妻中文字幕| e午夜精品久久久久久久| 真实男女啪啪啪动态图| 成人永久免费在线观看视频| 三级男女做爰猛烈吃奶摸视频| www.自偷自拍.com| 久久精品夜夜夜夜夜久久蜜豆| 十八禁网站免费在线| 国产伦人伦偷精品视频| 在线观看日韩欧美| 九色国产91popny在线| 日韩精品中文字幕看吧| 一进一出抽搐gif免费好疼| 久久久国产欧美日韩av| 久久精品影院6| 久久亚洲真实| 99久久精品国产亚洲精品| 免费观看精品视频网站| www日本在线高清视频| 亚洲真实伦在线观看| 免费高清视频大片| 最近最新中文字幕大全免费视频| 久9热在线精品视频| 国产人伦9x9x在线观看| 色老头精品视频在线观看| 亚洲 国产 在线| 啦啦啦观看免费观看视频高清| 一个人看视频在线观看www免费 | 日本黄大片高清| 草草在线视频免费看| 亚洲精品中文字幕一二三四区| 性色avwww在线观看| 又爽又黄无遮挡网站| 中文字幕av在线有码专区| 动漫黄色视频在线观看| 国产又色又爽无遮挡免费看| 久久久久久国产a免费观看| 69av精品久久久久久| 久久久久性生活片| 小蜜桃在线观看免费完整版高清| 亚洲一区二区三区色噜噜| 五月伊人婷婷丁香| 日本精品一区二区三区蜜桃| 这个男人来自地球电影免费观看| 免费看日本二区| 少妇的逼水好多| 亚洲国产高清在线一区二区三| 国产高清激情床上av| 日本a在线网址| 亚洲人成电影免费在线| 99久久成人亚洲精品观看| 老司机深夜福利视频在线观看| 久久久久久人人人人人| 亚洲熟妇中文字幕五十中出| 俺也久久电影网| 国产高清videossex| 91在线观看av| 久久久久久人人人人人| 男女床上黄色一级片免费看| 日本a在线网址| 精品久久蜜臀av无| 人人妻人人看人人澡| 天天一区二区日本电影三级| 久久人人精品亚洲av| 成人特级av手机在线观看| 可以在线观看的亚洲视频| 午夜精品一区二区三区免费看| 亚洲国产精品合色在线| 人人妻,人人澡人人爽秒播| 九色成人免费人妻av| a在线观看视频网站| 国产高清videossex| 手机成人av网站| 国产不卡一卡二| 日本免费a在线| 免费在线观看亚洲国产| 国产av麻豆久久久久久久| 亚洲中文字幕一区二区三区有码在线看 | 国产精品综合久久久久久久免费| 一二三四社区在线视频社区8| 亚洲五月婷婷丁香| 亚洲天堂国产精品一区在线| 黄色成人免费大全| 黄色女人牲交| 啪啪无遮挡十八禁网站| 日本在线视频免费播放| 757午夜福利合集在线观看| 男女午夜视频在线观看| 精品久久久久久久毛片微露脸| bbb黄色大片| 亚洲中文日韩欧美视频| av天堂在线播放| 久久中文字幕人妻熟女| 非洲黑人性xxxx精品又粗又长| 中文资源天堂在线| 成人国产一区最新在线观看| 国产av不卡久久| 99在线视频只有这里精品首页| 天堂影院成人在线观看| 亚洲电影在线观看av| 免费高清视频大片| 国产成人一区二区三区免费视频网站| 高潮久久久久久久久久久不卡| 精品国产超薄肉色丝袜足j| 欧美黑人欧美精品刺激| 午夜免费激情av| svipshipincom国产片| 一级黄色大片毛片| 在线免费观看的www视频| 桃红色精品国产亚洲av| 九色国产91popny在线| 小说图片视频综合网站| 久久婷婷人人爽人人干人人爱| 亚洲精华国产精华精| 老司机午夜福利在线观看视频| 欧美精品啪啪一区二区三区| 久久精品夜夜夜夜夜久久蜜豆| 99久久无色码亚洲精品果冻| 中出人妻视频一区二区| 免费无遮挡裸体视频| 国产高清激情床上av| 一边摸一边抽搐一进一小说| 高清在线国产一区| 日韩中文字幕欧美一区二区| 欧美黑人欧美精品刺激| 久久午夜亚洲精品久久| 夜夜躁狠狠躁天天躁| 午夜福利高清视频| 久久久久久久午夜电影| 精品无人区乱码1区二区| 在线国产一区二区在线| 午夜影院日韩av| 男女视频在线观看网站免费| 国产精品久久电影中文字幕| 白带黄色成豆腐渣| 在线免费观看的www视频| 国产淫片久久久久久久久 | 日韩中文字幕欧美一区二区| 97超视频在线观看视频| 青草久久国产| 国产欧美日韩精品一区二区| 伊人久久大香线蕉亚洲五| 久久久精品欧美日韩精品| xxxwww97欧美| 婷婷亚洲欧美| 99久久精品热视频| a在线观看视频网站| 亚洲在线自拍视频| 97碰自拍视频| 国产黄色小视频在线观看| 成人永久免费在线观看视频| 一区二区三区高清视频在线| 久久中文字幕一级| 丰满人妻熟妇乱又伦精品不卡| 国产视频一区二区在线看| 亚洲av电影在线进入| 成人鲁丝片一二三区免费| 老司机在亚洲福利影院| АⅤ资源中文在线天堂| 国产精品亚洲av一区麻豆| av天堂中文字幕网| 亚洲精品美女久久久久99蜜臀| xxxwww97欧美| 在线观看免费视频日本深夜| 国产黄a三级三级三级人| 99热这里只有精品一区 | 五月玫瑰六月丁香| 国产69精品久久久久777片 | 最近在线观看免费完整版| www日本在线高清视频| 国产成人福利小说| 久久久国产成人精品二区| 欧美日韩精品网址| 变态另类丝袜制服| 国产单亲对白刺激| 女同久久另类99精品国产91| 精品久久久久久久毛片微露脸| 午夜成年电影在线免费观看| 12—13女人毛片做爰片一| 91av网站免费观看| 日本一本二区三区精品| 国产精品久久久av美女十八| 亚洲五月天丁香| 精品久久久久久久人妻蜜臀av| 国产主播在线观看一区二区| 在线观看日韩欧美| 成人高潮视频无遮挡免费网站| 亚洲熟妇中文字幕五十中出| 国产69精品久久久久777片 | 性色av乱码一区二区三区2| 国产高清三级在线| 亚洲国产精品999在线| 国产美女午夜福利| 小说图片视频综合网站| 午夜亚洲福利在线播放| 黑人操中国人逼视频| 亚洲精品美女久久av网站| 国产成人啪精品午夜网站| 村上凉子中文字幕在线| 午夜精品在线福利| 9191精品国产免费久久| 色噜噜av男人的天堂激情| 男人和女人高潮做爰伦理| 欧美日韩瑟瑟在线播放| 琪琪午夜伦伦电影理论片6080| 两个人看的免费小视频| 一a级毛片在线观看| 亚洲人成伊人成综合网2020| 精品一区二区三区视频在线观看免费| 国产伦人伦偷精品视频| 国产1区2区3区精品| av欧美777| 久久草成人影院| 国产爱豆传媒在线观看| 91久久精品国产一区二区成人 | 国产精品乱码一区二三区的特点| av国产免费在线观看| 男插女下体视频免费在线播放| 欧美最黄视频在线播放免费| 女人高潮潮喷娇喘18禁视频| 啪啪无遮挡十八禁网站| xxx96com| 男女午夜视频在线观看| 搡老妇女老女人老熟妇| 老司机午夜十八禁免费视频| 母亲3免费完整高清在线观看| 亚洲中文av在线| 欧美色视频一区免费| 国产在线精品亚洲第一网站| 成年女人看的毛片在线观看| 亚洲av美国av| 男人和女人高潮做爰伦理| svipshipincom国产片| 老熟妇乱子伦视频在线观看| 日韩欧美一区二区三区在线观看| 久久天躁狠狠躁夜夜2o2o| 法律面前人人平等表现在哪些方面| 国产精品99久久99久久久不卡| 亚洲成人中文字幕在线播放| 久久久久久久精品吃奶| 亚洲国产欧美网| 久久热在线av| 欧美在线黄色| 中文字幕精品亚洲无线码一区| 黄色成人免费大全| 久久中文字幕一级| 天堂网av新在线| 丁香欧美五月| 麻豆成人午夜福利视频| 精品福利观看| 天天添夜夜摸| 男女那种视频在线观看| www日本黄色视频网| 成人性生交大片免费视频hd| 亚洲国产精品合色在线| 哪里可以看免费的av片| 18禁黄网站禁片午夜丰满| 国产精品亚洲一级av第二区| 性色av乱码一区二区三区2| 亚洲中文日韩欧美视频| 国产私拍福利视频在线观看| 性欧美人与动物交配| 18禁观看日本| 午夜免费激情av| 不卡av一区二区三区| 国产一区二区激情短视频| 久久午夜综合久久蜜桃| 国产精品久久久av美女十八| 中文字幕精品亚洲无线码一区| 午夜两性在线视频| 欧美zozozo另类| 亚洲成av人片在线播放无| 亚洲精品美女久久久久99蜜臀| 欧美中文综合在线视频| 人人妻人人澡欧美一区二区| 国产欧美日韩一区二区精品| 国产精品99久久99久久久不卡| 最近最新免费中文字幕在线| 亚洲欧美日韩高清在线视频| 男女下面进入的视频免费午夜| 久久久久性生活片| 麻豆久久精品国产亚洲av| 青草久久国产| 在线观看66精品国产| 我要搜黄色片| 一区二区三区国产精品乱码| 亚洲av成人av| 亚洲国产精品久久男人天堂| 亚洲欧美日韩无卡精品| tocl精华| 亚洲熟女毛片儿| 免费搜索国产男女视频| 99国产精品一区二区三区| 琪琪午夜伦伦电影理论片6080| 久久热在线av| 国产免费av片在线观看野外av| 精品午夜福利视频在线观看一区| 国产高潮美女av| 十八禁人妻一区二区| 欧美日韩瑟瑟在线播放| 露出奶头的视频| 免费在线观看日本一区| 美女黄网站色视频| 亚洲国产精品久久男人天堂| 国产一区在线观看成人免费| aaaaa片日本免费| ponron亚洲| 给我免费播放毛片高清在线观看| 国产乱人伦免费视频| 亚洲av第一区精品v没综合| 在线观看舔阴道视频| 久久香蕉国产精品| 国内精品久久久久精免费| 久久天堂一区二区三区四区| 99热这里只有精品一区 | 国产私拍福利视频在线观看| 国产精品久久电影中文字幕| 天天躁狠狠躁夜夜躁狠狠躁| 国产日本99.免费观看| 不卡一级毛片| 久久久久九九精品影院| 免费av不卡在线播放| 搡老妇女老女人老熟妇| 国产高清videossex| 亚洲 国产 在线| 免费人成视频x8x8入口观看| 淫妇啪啪啪对白视频| 欧美av亚洲av综合av国产av| 嫩草影院入口| 午夜成年电影在线免费观看| 国产高清视频在线播放一区| av在线天堂中文字幕| 国产 一区 欧美 日韩| 嫩草影视91久久| 欧美成人性av电影在线观看| 中文在线观看免费www的网站| 亚洲成人久久性| 91在线精品国自产拍蜜月 | 日韩av在线大香蕉| 成人18禁在线播放| 日韩精品青青久久久久久| 精品久久久久久久末码| 看黄色毛片网站| 香蕉av资源在线| 欧美黄色淫秽网站| 在线a可以看的网站| or卡值多少钱| 香蕉久久夜色| 日本免费a在线| 岛国在线观看网站| 色播亚洲综合网| 免费无遮挡裸体视频| www.www免费av| 精品一区二区三区视频在线观看免费| 欧美成狂野欧美在线观看| 三级国产精品欧美在线观看 | 身体一侧抽搐| 亚洲国产色片| 又粗又爽又猛毛片免费看| 很黄的视频免费| 国产成人系列免费观看| 99久国产av精品| 最新中文字幕久久久久 | 小说图片视频综合网站| 国产精华一区二区三区| 亚洲中文字幕一区二区三区有码在线看 | 久久这里只有精品19| 村上凉子中文字幕在线| 99久国产av精品| 日本 av在线| 亚洲第一电影网av| 99久久精品热视频| 天堂影院成人在线观看| 国产精品一区二区三区四区久久| 天堂网av新在线| 国产成人福利小说| 色综合欧美亚洲国产小说| 婷婷六月久久综合丁香| 国产人伦9x9x在线观看| 波多野结衣高清作品| 免费一级毛片在线播放高清视频| 午夜福利免费观看在线| 亚洲专区字幕在线| 91久久精品国产一区二区成人 | 免费在线观看日本一区| 国产精品日韩av在线免费观看| 一区二区三区国产精品乱码| 国产精品精品国产色婷婷| 亚洲自偷自拍图片 自拍| 欧美zozozo另类| 欧美日韩综合久久久久久 | 这个男人来自地球电影免费观看| 国产99白浆流出| 亚洲欧美激情综合另类| av国产免费在线观看| 在线播放国产精品三级| 国产欧美日韩精品亚洲av| netflix在线观看网站| 亚洲七黄色美女视频| 精品福利观看| 青草久久国产| 成人国产一区最新在线观看| 久久精品国产99精品国产亚洲性色| 亚洲片人在线观看| 黑人欧美特级aaaaaa片| 国产精品日韩av在线免费观看| 国产伦一二天堂av在线观看| 亚洲av熟女| 亚洲国产高清在线一区二区三| 在线观看免费午夜福利视频| 国产男靠女视频免费网站| 欧美日韩亚洲国产一区二区在线观看| 丰满的人妻完整版| 精品国内亚洲2022精品成人| 久久中文字幕一级| 亚洲欧美精品综合一区二区三区| 亚洲精品久久国产高清桃花| 国内少妇人妻偷人精品xxx网站 | 久久久久亚洲av毛片大全| 女人被狂操c到高潮| 久久久成人免费电影| 精品国产乱子伦一区二区三区| 琪琪午夜伦伦电影理论片6080| 少妇熟女aⅴ在线视频| 18禁裸乳无遮挡免费网站照片|