APP下载

一种快速KMSE算法及其在异常入侵检测中的应用

2011-03-12范自柱徐保根

哈尔滨工业大学学报 2011年3期
关键词:分类特征实验

范自柱,徐 勇,徐保根,朱 旗

(1.哈尔滨工业大学深圳研究生院,518055广州深圳,zzfan3@yahoo.com.cn; 2.华东交通大学基础科学学院,330013江西南昌)

核方法[1]的基本思想是将输入空间通过某种非线性映射变换到一个高维的特征空间,借助于“核技巧”[2]在新的空间中应用线性分析方法.“核技巧”最早应用于支持向量机(Support Vector Machines,SVM)中.随后,基于核的主分量分析(Kernel Principal Component Analysis,KPCA)[3]、基于核的Fisher鉴别分析(Kernel Fisher Discriminant Analysis,KFDA)[4]和基于核的最小均方误差(KMSE)[5]等核学习方法被提出.实际上,KMSE模型可以看作是在核主分量分析基础上实施特征提取的过程,而且在形式上它等效于最小平方支持向量机(Least Squares Support Vector Machines,LS-SVM)[6]与核鉴别分析.当样本数趋于无穷时,KMSE模型将以最小均方误差逼近特征空间中的贝叶斯判别函数.

根据再生核理论,KMSE模型在特征空间中的鉴别向量是此空间中样本的线性组合.相应地,KMSE模型对一个样本的特征抽取结果为该样本与所有(训练)样本间核函数的线性组合.因此,KMSE特征抽取效率与训练集的大小成反比.为了提高学习效果,人们往往需要数百甚至成千上万个样本进行学习(训练),而这样大规模的训练集无疑会大大降低KMSE的特征抽取效率.针对这一问题,一些关于核的优化算法[7-10]被相继提出.本文首次将KMSE和其快速算法应用于异常入侵检测[11]这一信息安全领域,在经典的入侵检测实验数据集KDDCUP1999上的实验结果表明,KMSE是一种有效的异常入侵检测方法,经改进后得到的快速KMSE方法检测效率非常高,检测结果十分理想.

1 KMSE模型

KMSE是对传统的最小……

登录APP查看全文

猜你喜欢

分类特征实验
记一次有趣的实验
分类算一算
如何表达“特征”
做个怪怪长实验
不忠诚的四个特征
教你一招:数的分类
NO与NO2相互转化实验的改进
实践十号上的19项实验
线性代数的应用特征