基于半監(jiān)督的SVM-KNN及其在入侵檢測(cè)中的應(yīng)用.pdf

1、入侵檢測(cè)作為網(wǎng)絡(luò)安全領(lǐng)域一項(xiàng)重要的安全防護(hù)技術(shù)，不僅能夠發(fā)現(xiàn)外部攻擊，而且也能檢測(cè)內(nèi)部用戶的未授權(quán)活動(dòng)，在網(wǎng)絡(luò)安全領(lǐng)域發(fā)揮著重要的作用。隨著計(jì)算機(jī)和數(shù)據(jù)存儲(chǔ)技術(shù)的發(fā)展，網(wǎng)絡(luò)中傳輸?shù)臄?shù)據(jù)量數(shù)以億計(jì)，這對(duì)入侵檢測(cè)技術(shù)處理海量數(shù)據(jù)的能力和檢測(cè)時(shí)間提出了更高的要求。
　　 在機(jī)器學(xué)習(xí)的很多實(shí)際應(yīng)用領(lǐng)域中，帶有正確標(biāo)記的樣本都是有限且很難獲得的，而收集大量未標(biāo)記樣本卻相當(dāng)容易。如何利用大量未標(biāo)記樣本輔助少量的標(biāo)記樣本改善學(xué)習(xí)效果是機(jī)器學(xué)習(xí)

2、領(lǐng)域面臨的主要問(wèn)題之一。半監(jiān)督學(xué)習(xí)可以利用有限的標(biāo)記樣本和大量未標(biāo)記樣本改善學(xué)習(xí)機(jī)的性能，目前已成為機(jī)器學(xué)習(xí)領(lǐng)域的研究焦點(diǎn)之一。
　　 本文提出了一種基于半監(jiān)督學(xué)習(xí)的SVM-KNN分類算法。由于在SVM的分類過(guò)程中，只有支持向量對(duì)最終求得的分類超平面有影響，而與非支持向量無(wú)關(guān)，因此將支持向量加入到原始訓(xùn)練集中，有助于提高分類效果。首先利用現(xiàn)有的少量標(biāo)記數(shù)據(jù)，訓(xùn)練出一個(gè)弱分類器SVM。然后用KNN作為輔助分類器，從大量未標(biāo)記樣本中

3、挑選出部分對(duì)分類起關(guān)鍵作用的樣本，將之融入到訓(xùn)練集中，不僅保留了未標(biāo)記數(shù)據(jù)中的有用信息，而且刪除了大量冗余樣本。最后在新的訓(xùn)練集上重新訓(xùn)練SVM，不斷修正分類邊界，結(jié)果提高了分類器的分類精度，縮短了訓(xùn)練時(shí)間。
　　 將本文的算法應(yīng)用于入侵檢測(cè)，在KDD99數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明本文提出的算法不僅提高了檢測(cè)精度，而且縮短了檢測(cè)時(shí)間。針對(duì)入侵檢測(cè)數(shù)據(jù)高維數(shù)的特點(diǎn)，利用單個(gè)最優(yōu)特征組合的改進(jìn)算法，通過(guò)對(duì)數(shù)據(jù)降維，選擇對(duì)分類有貢獻(xiàn)的