基于流形正則化超限學習機的入侵檢測研究.pdf

1、隨著互聯(lián)網(wǎng)的普及，互聯(lián)網(wǎng)安全問題顯得越來越突出。如何及時發(fā)現(xiàn)、識別各種網(wǎng)絡威脅并保證系統(tǒng)安全運行已經(jīng)成為當前研究的關(guān)注點之一。入侵檢測系統(tǒng)(Intrusion Detection System，IDS)在保護網(wǎng)絡安全的過程中發(fā)揮著重要的作用。而基于機器學習的入侵檢測模型具有智能化、自動化的優(yōu)勢，是入侵檢測技術(shù)的研究方向。
　　針對現(xiàn)在互聯(lián)網(wǎng)的現(xiàn)狀，以及現(xiàn)存的用于入侵檢測系統(tǒng)的機器學習方法需要大量有標記數(shù)據(jù)，無法利用低成本的無標記數(shù)

2、據(jù)的特點，本文將流形正則化超限學習機算法引入入侵檢測領(lǐng)域，探索并驗證該方法用于入侵檢測系統(tǒng)中的有效性和可行性，并進一步研究無標記數(shù)據(jù)數(shù)量對所建模型的影響，以及不同核函數(shù)對所建模型的影響，為將來將流形正則化方法用于入侵檢測提供一些基礎。實驗結(jié)果表明，該入侵檢測模型能夠利用無標記數(shù)據(jù)提高模型檢測準確率，同時無標記數(shù)據(jù)并不是越多越好，基于Sigmoid和Hardlim核函數(shù)的該入侵檢測模型的效果比基于Sine、Tribas、Radbas核函數(shù)