计算机科学 ›› 2015, Vol. 42 ›› Issue (2): 134-136.doi: 10.11896/j.issn.1002-137X.2015.02.029
钱燕燕,李永忠,余西亚
QIAN Yan-yan, LI Yong-zhong and YU Xi-ya
摘要： 机器学习所关注的问题是系统如何随着经验积累自动提高分类性能,这与入侵检测通过对外界入侵进行自我学习来提高其检测率和降低误报率是一致的。因此把机器学习的理论和方法引入到入侵检测中已成为一种有效方案。文中结合多标记与半监督学习理论,将ML-KNN算法应用于入侵检测系统。在KDD CUP99数据集上的仿真结果表明,该方法在入侵检测中能获得高检测率和低误报率。
| [1] Wu Qing-tao,Shao Zhi-qing.Survey on intrusion detection techniques[J].Application Research of Computers,2005,22(12):11-44 [2] Schapire R E,Singer Y.Boostexter:A boosting-based system foe text categorization[J].Machine Learning,2000,9(2/3):135-168 [3] 宋相法,焦李成.基于稀疏编码和集成学习的多示例多标记图像分类方法[J].电子与信息学报,2013,35(3):622-626 [4] 陈晓峰,王士同,曹苏群.半监督多标记学习的基因功能分析[J].智能系统报,2008,3(1):83-90 [5] 周志华,张敏灵.MIML:多示例多标记学习[J].机器学习及其应用,2009:218-234 [6] Zhang Min-ling,Zhou Zhi-hua.A Lazy Learning Approach toMulti-Label Learning[J].Pattern Recognition,2007,0(7):2038-2048 [7] 周志华,杨强.机器学习及其应用[M].北京:清华大学出版社,2011:179-199 [8] University of California,Irvine.KDD cup 1999 data[EB/OL].1999-10-28 [2012-03-20].http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html [9] Elisseeff A,Weston J.A kernel method for multi-labelled classi-fication[C]∥Dietterich T G,Becker S,Ghahramani Z.,eds.Advances in Neural Information Processing Systems 14 (NIPS’01).Cambridge,MA:MIT Press,2002:681-687 [10] 袁利永,王基一.一种改进的半监督K-Means聚类算法[J].计算机工程与科学,2011,33(6):138-143 [11] 夏战国,万玲,蔡世玉,等.一种面向入侵检测的半监督聚类算法[J].山东大学学报:工学版,2012,42(6):1-7 [12] 郭跃健,李宏.多值属性和多标记数据分类[D].长沙:中南大学,2010 [13] 谢中华.Matlab统计分析与应用:40个案例分析[M].北京:北京航空航天大学出版社,2010 [14] 王汝山,李永忠.基于半监督聚类的入侵检测技术研究[D].镇江:江苏科技大学,2010 |
| No related articles found! |
|
||
首页