高海华
- 作品数:10 被引量:55H指数:3
- 供职机构:华东理工大学信息科学与工程学院更多>>
- 发文基金:国家自然科学基金国家教育部博士点基金国家重点基础研究发展计划更多>>
- 相关领域:自动化与计算机技术更多>>
- 基于主元神经网络和SVM的入侵特征抽取和检测被引量:6
- 2005年
- 目前基于机器学习的入侵检测研究都是从提高检测精度的分类器算法设计出发,大多未考虑对样本特征的分析。文章提出了一种基于特征抽取的异常检测方法,应用主元神经网络(PCNN)抽取入侵特征,再应用SVM检测入侵。采用广义Hebb学习规则训练线性主元神经网络,SVM采用基于网格粒度搜索获得最优参数。利用KDD99数据集,将线性PCNN-SVM与SVM进行比较,结果显示在不降低分类器性能的情况下,PCNN特征抽取方法能对输入数据有效降维。
- 高海华杨辉华王行愚
- 关键词:异常检测特征抽取
- 基于SVM的多类分类集成被引量:3
- 2008年
- 为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数——训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较。结果表明:集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度。
- 张红梅高海华王行愚
- 关键词:多类分类入侵检测
- 基于群智能和SVM的网络入侵特征选择和检测
- 群智能中的每个个体产生一个特征子集,结合支持向量机(SVM)使用该特征子集所对应的数据集进行分类,正确分类结果作为该个体的适应度,通过群智能的优化搜索实现最优入侵特征选择。其中群智能主要采用粒子群算法和蚁群算法,支持向量...
- 高海华王行愚杨辉华
- 关键词:蚁群算法异常检测
- 文献传递
- 基于计算智能的网络入侵特征分析和检测研究
- 随着计算机网络的普及和发展,网络入侵呈现出综合化发展趋势,入侵者在实施入侵时往往采用多种技术手段、进行分布式入侵,从而使得现有基于规则的滥用检测系统检测效率较低,相应误警率和漏检率较高。为此,基于计算智能的网络异常检测成...
- 高海华
- 关键词:网络入侵检测特征抽取量子粒子群核主元分析支持向量机
- 文献传递网络资源链接
- 基于BPSO-SVM的网络入侵特征选择和检测被引量:20
- 2006年
- 采用改进的二进制粒子群优化进行入侵特征子集选择,粒子群中每个粒子代表一个选择的特征子集,结合支持向量机使用该特征子集所对应的数据集进行分类,正确分类结果作为该粒子的适应度,通过粒子群优化实现最优入侵特征选择。改进的BPSO方法中通过引入粒子群依概率整体变异来避免陷入局部最优,同时采用粒子禁忌搜索列表来扩大粒子搜索范围和避免重复计算;SVM中采用基于粒度的网格搜索来获得最优核参数。最后用KDD 99标准数据集进行实验研究,结果表明该方法能获得满意的检测效果。
- 高海华杨辉华王行愚
- 关键词:二进制粒子群优化支持向量机异常检测
- 基于PCA和KPCA特征抽取的SVM网络入侵检测方法被引量:24
- 2006年
- 提出一种新颖的基于特征抽取的异常检测方法,应用主分量分析(PCA)和核主分量分析(KPCA)抽取入侵特征,再应用支持向量机(SVM)检测入侵。其中PCA对输入特征做线性变换,而KPCA通过核函数进行非线性变换。利用KDD 99数据集,将PCA-SVM、KPCA-SVM与SVM、PCR、KPCR进行比较,结果显示:在不降低分类器性能的情况下,特征抽取方法能对输入数据有效降维。在各种方法中,KPCA与SVM的结合能得到最优入侵检测性能。
- 高海华杨辉华王行愚
- 关键词:特征抽取
- 构造稀疏最小二乘支持向量机的网络入侵检测模型被引量:1
- 2008年
- 从最小二乘支持向量机的稀疏表达出发,构建高效的基于稀疏最小二乘支持向量机的网络入侵检测模型,提出了一种通过基于核空间近似策略的有效低秩逼近来有效减小原始训练样本集中的支持向量数来实现最终模型的稀疏表达。以MIT KDD99数据集为基础,对所提出方法进行有效性验证,并与利用剪枝策略通过递归过程中不断减少模型中支持向量个数的稀疏化方法、基本最小二乘支持向量机以及标准支持向量机方法的性能进行对比。结果表明:基于核空间近似的最小二乘支持向量机稀疏化与标准最小二乘支持向量机相当;此外稀疏最小二乘支持向量机能够提高入侵检测响应速度。
- 张红梅高海华王行愚
- 关键词:最小二乘支持向量机稀疏性入侵检测
- 正则化最小二乘分类的AlignLoo模型选择方法被引量:1
- 2006年
- 正则化最小二乘分类(RLSC)是一种基于二次损失函数的正则化网络,其推广能力受模型参数影响,传统的模型选择方法是耗时的参数网格搜索.为此,提出一种新颖的A lignLoo模型选择方法,其关键在于将核参数与超参数分开优化,即最大化核-目标配准以选择最优核参数,最小化RLSC的留一法误差的界以选择最优超参数.该方法效率高且不需验证样本,并在IDA数据集上进行了测试,结果表明方法有效.
- 杨辉华王行愚王勇高海华
- 关键词:正则化最小二乘法支持向量机
- 抑制样本噪声的AdaBoost算法及其在入侵检测中的应用
- AdaBoost通过对错分样本增加权重来调整在后续单分类器序列中这些样本的重要度,使得错分样本能被正确分类,从而提升学习精度。但如果样本点存在噪声或错误,会导致最终的分类器集成缺乏稳定性,泛化能力下降。针对这个问题,提出...
- 张红梅高海华王行愚
- 关键词:入侵检测
- 文献传递
- 基于群智能和SVM的网络入侵特征选择和检测
- 对基于群智能和SVM的网络入侵特征选择和检测进行了研究。群智能中的每个个体产生一个特征子集,结合支持向量机(SVM)使用该特征子集所对应的数据集进行分类,将正确分类结果作为该个体的适应度,通过群智能的优化搜索实现最优入侵...
- 高海华王行愚杨辉华
- 关键词:入侵检测粒子群算法蚁群算法