改进蚁群算法和支持向量机的网络入侵检测

被引：22

作者：

肖国荣

机构：

[1] 广东金融学院计算机科学与技术系

来源：

计算机工程与应用 | 2014年 / 03期

关键词：

网络入侵; 支持向量机; 蚁群算法; 检测;

D O I：

暂无

中图分类号：

TP393.08 []; TP18 [人工智能理论];

学科分类号：

0839 ; 1402 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为了提高网络入侵检测的正确率,提出一种改进蚁群优化算法(ACO)和支持向量机(SVM)相融合的网络入侵检测方法(ACO-SVM)。将SVM模型参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到SVM最优参数,采用最优参数建立网络入侵检测模型。利用KDDCUP99数据集对ACO-SVM性能进行测试,结果表明,ACO-SVM提高了网络入侵检测正确率,降低了误报率,可以为网络安全提供有效保证。

引用

页码：75 / 78+107 +107

页数：5

共 9 条

[1] 基于蚁群算法的支持向量机参数优化 [J].

张培林 ;

钱林方 ;

曹建军 ;

任国全 .

南京理工大学学报(自然科学版), 2009, 33 (04) :464-468

[2] 基于遗传算法优化支持向量机的网络流量预测 [J].

张颖璐 .

计算机科学, 2008, (05) :177-179+197

[3] 基于融合免疫算法和RBF网络的入侵检测系统 [J].

史长琼 ;

陈旭 ;

唐贤瑛 .

计算机工程, 2007, (09) :160-162

[4] 基于SVM主动学习的入侵检测系统 [J].

段丹青 ;

陈松乔 ;

杨卫平 .

计算机工程, 2007, (01) :153-155+180

[5] 基于神经网络的分布式入侵检测研究 [J].

马海峰 ;

岳新 ;

孙名松 .

计算机应用, 2006, (S2) :63-65

[6] 基于支持向量机的网络入侵检测 [J].

李辉 ;

管晓宏 ;

昝鑫 ;

韩崇昭 ;

不详 .

计算机研究与发展 , 2003, (06) :799-807

[7] 蚁群算法在连续空间寻优问题求解中的应用 [J].

汪镭 ;

吴启迪 .

控制与决策, 2003, (01) :45-48+57

[8]

Modified particle swarm optimization algorithm for variable selection in MLR and PLS modeling: QSAR studies of antagonism of angiotensin II antagonists[J] . Qi Shen,Jian-Hui Jiang,Chen-Xu Jiao,Guo-li Shen,Ru-Qin Yu.European Journal of Pharmaceutical Sciences . 2004 (2)

[9] Utilising fuzzy logic and trend analysis for effective intrusion detection [J].

Botha, M ;

von Solms, R .

COMPUTERS & SECURITY, 2003, 22 (05) :423-434

← 1 →