马文海，胡 平

（南京工业大学 计算机科学与技术学院，江苏 南京 211816）

基于概率的并行粒子群AKO-RVM入侵检测

马文海，胡 平

（南京工业大学 计算机科学与技术学院，江苏 南京 211816）

AKO-RVM算法不仅具有高分类精度的特点，相对于RVM算法其在一定程度上降低了性能对初始参数的依赖性,在入侵检测网络安全的方法研究中优于经典RVM算法。然而AKO-RVM样本训练与分类用时较长，为此提出一种基于概率的主辅式并行粒子群AKO-RVM方法，即将训练样本进行分组，先采用并行主辅式粒子群算法确定AKO-RVM核宽参数并进行优化，进而构造RVM分类模型，继而采用一对一分类方法应用于多类检测中。入侵实验结果表明，所提出方法在具有高精度与性能、低依赖性等特点的同时，较大程度上降低了训练所需迭代次数与检测时间。

入侵检测；相关向量机；概率并行粒子群优化

0 引言

随着网络信息量的爆炸式增长，网路攻击手段层出不穷，入侵检测在保护网络安全方面起着至关重要的作用，如何高效准确地对大量数据进行处理成为目前急需解决的问题。因此，先进的智能分类技术在入侵检测领域的应用研究具有重要的现实意义[1-2]。相对向量机(RVM)具有SVM良好非线性处理能力与泛化能力，能够有效解决非线性、小样本问题等优势[3]。但 RVM核函数参数的选择太依赖经验性，学者们提出一种相对向量机自动优化核宽(AKO-RVM)的算法[4]，它可以有效减少RVM对其内核初始参数选择的依赖，提高分类精度，但在收敛速度与计算复杂度方面的优化有明显不足之处。……