基于SVM协作训练的入侵检测方法研究

计算机应用 ›› 2011, Vol. 31 ›› Issue (12): 3337-3339.

基于SVM协作训练的入侵检测方法研究

邬书跃¹,²,余杰³,樊晓平²

1. 湖南涉外经济学院电气与信息工程学院，长沙 410205
2. 中南大学信息科学与工程学院，长沙 410083
3. 国防科学技术大学计算机学院, 长沙 410073

收稿日期:2011-05-26 修回日期:2011-07-13 发布日期:2011-12-12 出版日期:2011-12-01
通讯作者: 余杰
基金资助:
国家核高基项目;湖南省自然科学基金资助项目(07JJ6124);国家自然科学基金资助项目

Improved SVM co-training based intrusion detection

WU Shu-yue¹,²,YU Jie³,FAN Xiao-ping²

1. College of Electrical and Information Engineering, Hunan International Economics University, Changsha Hunan 410205,China
2. School of Information Science and Engineering，Central South University, Changsha Hunan 410083,China
3. School of Computer Science, National University of Defense Technology, Changsha Hunan 410073,China

Received:2011-05-26 Revised:2011-07-13 Online:2011-12-12 Published:2011-12-01
Contact: YU Jie

摘要/Abstract

摘要： 提出了在少量样本条件下，采用带变异因子的支持向量机(SVM)协作训练模型进行入侵检测的方法。充分利用大量未标记数据，通过两个分类器检测结果之间的迭代训练，可以提高检测算法的准确度和稳定性。在协作训练的多次迭代之间引入变异因子，减小由于过学习而降低训练效果的可能。仿真实验表明，该方法的检测准确度比传统的SVM算法提高了7.72%，并且对于训练数据集和测试数据集的依赖程度都较低。

关键词: 入侵检测, 支持向量机, 协作训练, 小样本, 分类器

Abstract: In this paper, a Support Vector Machine (SVM) co-training based method with variation factors to detect network intrusion was proposed. It made full use of the large amount of unlabeled data, and increased the detection accuracy and stability by co-training two classifiers. It further introduced variation factors among multiple iterations to decrease the possibility of effect reduction due to over-learning. The simulation results show that the proposed method is 7.72% more accurate than the traditional SVM method, and it depends less on the training dataset and test dataset.

Key words: Intrusion Detection, Support Vector Machine (SVM), Co-training, Small Sample, Classifier

中图分类号:

TP393.08

邬书跃余杰樊晓平. 基于SVM协作训练的入侵检测方法研究[J]. 计算机应用, 2011, 31(12): 3337-3339.

WU Shu-yue YU Jie FAN Xiao-ping. Improved SVM co-training based intrusion detection[J]. Journal of Computer Applications, 2011, 31(12): 3337-3339.

[1]	张师鹏, 李永忠, 杜祥通. 基于半监督学习和三支决策的入侵检测模型[J]. 计算机应用, 2021, 41(9): 2602-2608.
[2]	杜炎, 吕良福, 焦一辰. 基于模糊推理的模糊原型网络[J]. 计算机应用, 2021, 41(7): 1885-1890.
[3]	王月, 江逸茗, 兰巨龙. 基于改进三元组网络和K近邻算法的入侵检测[J]. 计算机应用, 2021, 41(7): 1996-2002.
[4]	王垚, 孙国梓. 基于聚类和实例硬度的入侵检测过采样方法[J]. 计算机应用, 2021, 41(6): 1709-1714.
[5]	甘岚, 沈鸿飞, 王瑶, 张跃进. 基于改进DCGAN的数据增强方法[J]. 计算机应用, 2021, 41(5): 1305-1313.
[6]	张全龙, 王怀彬. 基于膨胀卷积和门控循环单元组合的入侵检测模型[J]. 计算机应用, 2021, 41(5): 1372-1377.
[7]	贾鹤鸣, 姜子超, 李瑶, 孙康健. 基于改进斑点鬣狗优化算法的同步优化特征选择[J]. 计算机应用, 2021, 41(5): 1290-1298.
[8]	董阳, 潘海为, 崔倩娜, 边晓菲, 滕腾, 王邦菊. 面向多模态磁共振脑瘤图像的小样本分割方法[J]. 计算机应用, 2021, 41(4): 1049-1054.
[9]	任晓奎, 刘鹏飞, 陶志勇, 刘影, 白立春. 基于单快拍信号到达角估计算法的室内入侵检测[J]. 计算机应用, 2021, 41(4): 1153-1159.
[10]	严爱军, 魏志远. 案例推理分类器的权重分配及案例库维护方法[J]. 计算机应用, 2021, 41(4): 1071-1077.
[11]	袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570.
[12]	李凯, 李洁. 基于pinball损失的结构模糊多分类支持向量机算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3104-3112.
[13]	闫钧华, 侯平, 张寅, 吕向阳, 马越, 王高飞. 基于多尺度多分类器卷积神经网络的混合失真类型判定方法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3178-3184.
[14]	陆荣秀, 陈明明, 杨辉, 朱建勇. 基于溶液图像时序特征的元素组分含量动态监测系统[J]. 计算机应用, 2021, 41(10): 3075-3081.
[15]	童林, 官铮. 改进鲸鱼优化支持向量机的交通流量模糊粒化预测[J]. 计算机应用, 2021, 41(10): 2919-2927.