基于維數(shù)消減與SVM參數(shù)優(yōu)化的入侵檢測算法研究.pdf

1、隨著網(wǎng)絡(luò)攻擊技術(shù)和手段的日益突出，入侵檢測系統(tǒng)逐漸引起諸多學(xué)者的關(guān)注，成為了當(dāng)前研究網(wǎng)絡(luò)安全方面的重要課題。在眾多的入侵檢測方法中，研究人員發(fā)現(xiàn)將支持向量機(jī)SVM(Support Vector Machine)方法應(yīng)用到入侵檢測領(lǐng)域存在諸多優(yōu)勢，而且對基于SVM的入侵檢測方法進(jìn)行研究也有著非常重要的意義。
　　本文從入侵檢測數(shù)據(jù)的維數(shù)消減、SVM的參數(shù)優(yōu)化和入侵檢測模型的構(gòu)建三方面入手，對基于SVM的入侵檢測算法的性能進(jìn)行深入研究

2、。
　　首先，本文闡述了用于維數(shù)消減的核主成分分析算法，并分析了懲罰參數(shù)和核函數(shù)參數(shù)對SVM分類性能所帶來的影響，同時說明了利用粒子群算法進(jìn)行參數(shù)優(yōu)化的背景與思想。
　　其次，針對入侵?jǐn)?shù)據(jù)集的高維數(shù)問題，提出一種基于ReliefF和樣本篩選的核主成分分析算法。該算法利用ReliefF算法進(jìn)行特征選擇，并對特征選擇后的樣本分組執(zhí)行核主成分分析算法，從執(zhí)行結(jié)果中，挑選前兩個主成分對樣本進(jìn)行篩選過濾，并對篩選后的樣本再次執(zhí)行核主成

3、分分析算法，進(jìn)而提取最終的主成分。
　　再次，針對SVM參數(shù)對分類性能的影響問題，提出一種基于速度和位移同步優(yōu)化的粒子群優(yōu)化算法。該算法在粒子種群模型分類的基礎(chǔ)上，通過引入粒子進(jìn)化度和聚合度兩個變量來實(shí)現(xiàn)對慣性權(quán)重、學(xué)習(xí)因子和時間因子的動態(tài)調(diào)整，以達(dá)到優(yōu)化粒子速度和位移的目的，使算法很快地找到最優(yōu)的SVM參數(shù)。
　　最后，在驗(yàn)證了上述提出的兩種改進(jìn)算法的有效性的基礎(chǔ)上，本文重新構(gòu)建一種新的基于SVM的入侵檢測模型，并將該模型