基于AdaBoost的网络入侵智能检测

网络环境中,系统受到多种入侵行为威胁,具有变化快、种类多、随机性强的特点,提出一种基于AdaBoost的网络入侵智能检测算法,利用神经网络建立入侵检测学习器,采用AdaBoost集成学习方法对基学习器迭代训练,生成最终的入侵检测模型,仿真实验表明,该方法相对传统的BP神经网络算法具有较大的优势,降低了随机样本对模型的影响,增加了神经网络的泛化能力,使最终的入侵检测模型更加贴近真实的网络入侵样本,减小了小样本集导致的模型精度大幅下降的问题,对识别、检测各类入侵行为,对维护网络安全,具有十分重要的意义。