基于改进SVM主动学习的网络入侵检测*
2016-10-26苏志同刘芳正
计算机与数字工程 2016年9期
苏志同 刘芳正
(北方工业大学计算机学院 北京 100144)
基于改进SVM主动学习的网络入侵检测*
苏志同刘芳正
(北方工业大学计算机学院北京100144)
支持向量机(SVM)主动学习模型能够很好地解决入侵检测系统的小样本学习的问题,提高入侵检测系统中分类器的性能。针对SVM主动学习模型对于构建初始训练集具有随机性,采用核空间聚类的初始训练集构建方法进行优化,并引入蚁群聚类算法减轻样本选择规则对分类性能的影响,结果表明改进后的模型可以有效提高入侵检测系统的分类性能。
入侵检测; 支持向量机; 主动学习; 分类性能
Class NumberTP393.08
1 引言
在高速发展的信息时代,随着网络技术的不断发展,信息安全已经成为全球行的重要问题之一,而入侵检测系统是网络安全研究的一个重要方向[1],是继防火墙之后的新一代安全保护技术。入侵检测本质上是一个分类问题,它要求通过对训练集的学习,构造出一个分类器,能够将正常行为和异常行为区分开。而支持向量机算法能较好地解决小样本学习的二分类问题,同时具有很好的泛化能力。但是,如果训练样本集规模较大,会占用大量内存,同时训练耗时较长,这使得支持向量机(Support Vector Machine,SVM)存在较大的局限性。而SVM主动学习[2~3]集成了SVM算法和主动学习二者的优点,不但能很好地解决小样本学习的问题,还可以减少所需训练样本数量,提高入侵检测系统中分类器的性能。
然而,这种主动学习支持向量机模型存在两个问题,首先,如何从候选集中选择n个样本,初始化训练集。……
登录APP查看全文
