粒子群选择特征和信息增益确定特征权值的入侵检测

doi:10.11772/j.issn.1001-9081.2014.06.1686

计算机应用 ›› 2014, Vol. 34 ›› Issue (6): 1686-1688.DOI: 10.11772/j.issn.1001-9081.2014.06.1686

粒子群选择特征和信息增益确定特征权值的入侵检测

黄会群¹,²,孙虹²

1. 湖南财政经济学院信息管理系, 长沙 410205
2. 中南大学公共卫生学院, 长沙 410078;

收稿日期:2013-12-13 修回日期:2014-01-25 发布日期:2014-07-02 出版日期:2014-06-01
通讯作者: 黄会群
作者简介:黄会群 (1976-),男,湖南蓝山人,讲师, 博士研究生,主要研究方向:数据挖掘、入侵检测、综合评价;孙虹(1957-),男,湖南邵阳人,教授,博士生导师,博士,主要研究方向:综合评价。
基金资助:
湖南省教育厅科研项目

Network intrusion detection based on particle swarm optimization algorithm and information gain

HUANG Huiqun¹,²,SUN Hong²

1. Department of Information Management, Hunan University of Finance and Economics, Changsha Hunan 410205, China
2. School of Public Health, Central South University, Changsha Hunan 410078, China;

Received:2013-12-13 Revised:2014-01-25 Online:2014-07-02 Published:2014-06-01
Contact: HUANG Huiqun

摘要/Abstract

摘要：

为了提高网络入侵检测正确率,提出一种粒子群算法(PSO)选择特征和信息增益(IG)法确定特征权值的网络入侵检测模型(PSO-IG)。首先采用PSO选择网络入侵特征子集,消除冗余特征;然后采用IG法确定特征子集中的特征权重,并采用支持向量机(SVM)建立分类模型;最后采用KDD CUP 99 数据集对PSO-IG的性能进行测试。测试结果表明:PSO-IG消除了冗余特征,降低了输入维数,提高了网络入侵检测速度;通过合理确定特征权值,提高了入侵检测正确率。

Abstract:

In order to improve the detection accuracy of network intrusion, a network intrusion detection model named PSO-IG was proposed based on Particle Swarm Optimization (PSO) algorithm and Information Gain (IG). Firstly, PSO algorithm was used to eliminate redundant features of original network data, and then the weight values of selection features were obtained using IG, and Support Vector Machine (SVM) was used to establish intrusion detection model. Finally, the KDD CUP 99 dataset was used to test the performance of PSO-IG. The results show that the proposed model can eliminate redundant features and reduce the input dimension to improve the detection speed of network intrusion, and it can improve the network intrusion detection accuracy by reasonable selecting weight values.

中图分类号:

TP301.6

黄会群孙虹. 粒子群选择特征和信息增益确定特征权值的入侵检测[J]. 计算机应用, 2014, 34(6): 1686-1688.

HUANG Huiqun SUN Hong. Network intrusion detection based on particle swarm optimization algorithm and information gain[J]. Journal of Computer Applications, 2014, 34(6): 1686-1688.

参考文献

[1]YAN X, TAN M, YAN Y, et al. Research on hidden Markov model-based and neural network-based intrusion detections[J]. Computer Applications and Software, 2012, 29(2):294-297.(闫新娟,谭敏生,严亚周,等. 基于隐马尔可夫模型和神经网络的入侵检测研究[J]. 计算机应用与软件,2012,29(2):294-297.)
[2]JIANG C, ZHANG G, LI Z. Abnormal intrusion detection for embedded network system based on genetic algorithm optimised SVM[J]. Computer Applications and Software, 2011,28(2):287-289.(姜春茂,张国印,李志聪. 基于遗传算法优化SVM的嵌入式网络系统异常入侵检测[J]. 计算机应用与软件,2011,28(2):287-289.)
[3]JING X, WANG H, NIE K, et al. Feature selection algorithm based on IMGA and MKSVM to intrusion detection[J].Computer Science, 2012,39(7):96-100. (井小沛,汪厚祥,聂凯,等. 面向入侵检测的基于IMGA和MKSVM的特征选择算法[J]. 计算机科学,2012,39(7):96-100.)
[4]MU Q, BI X, SHE X. Feature selection method for network intrusion based on GQPSO algorithm[J].Computer Engineering,2011,37(14):103-16.(牟琦,毕孝儒,厍向阳. 基于GQPSO算法的网络入侵特征选择方法[J]. 计算机工程,2011,37(14):103-16.)
[5]DENNING D E. An intrusion detection model [J]. IEEE Transactions on Software Engineering, 2010, 13(2): 222-232.
[6]HANG C L, WANG C J. A GA-based feature selection and parameters optimization for support vector machines [J]. Expert Systems with Applications, 2009, 31(2):231-240.
[7]WANG H, MA R. Optimization of neural networks for network intrusion detection[C]// ETCS 2009: Proceedings of the 1st International Workshop on Education Technology and Computer Science. Piscataway: IEEE Press, 2009:418-420.
[8]ZHANG X, GU C. A method to extract network intrusion detection feature[J]. Journal of South China University of Technology: Natural Science, 2010,38(1):81-85(张雪芹,顾春华. 一种网络入侵检测特征提取方法[J]. 华南理工大学学报:自然科学版,2010,38(1):81-85.)
[9]GUO W, CHEN G, CHEN Q, et al. Feature subset selection based on particle swarm optimization algorithm and relevance analysis[J]. Computer Science, 2008, 35(2):144-146.(郭文忠,陈国龙,陈庆良,等. 基于粒子群优化算法和相关性分析的特征子集选择[J]. 计算机科学,2008,35(2):144-146.)
[10]MUKHERJEE B, HEBERLEIN L T, LEVITT K N. Network intrusion detection [J]. IEEE Network, 1994, 8(3):26-41.
[11]MITRA P, MURTHY C A, PAL S K. Unsupervised feature selecdonusing feature similarity[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002,3(14):301-312.
[12]CHEN S, CHEN G, GUO W, et al. Feature selection of the intrusion detection data based on particle swarm optimization and neighborhood reduction[J]. Journal of Computer Research and Development, 2010,47(7);1261-1267(陈仕涛,陈国龙,郭文忠,等. 基于粒子群优化和邻域约简的入侵检测日志数据特征选择[J]. 计算机研究与发展,2010,47(7);1261-1267.)
[13]LI Y, FANG B, GUO L, et al. Network anomaly detection based on TCM-KNN and genetic algorithm[J]. Journal on Communications, 2007,28(12):48-52.(李洋,方滨兴,郭莉,等. 基于TCM-KNN和遗传算法的网络异常检测技术[J].通信学报,2007,28(12):48-52.)

[1]	侯阳张琼赵紫煊朱正宇张晓博. 基于YOLOv5s的复杂场景下高效烟火检测算法——YOLOv5s-MRD[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[2]	张奇业, 曾心蕊. 带高斯核的支持向量数据描述问题的高效积极集法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3808-3814.
[3]	曹晓意罗煦琼李景贺恩锋. 改进人工势场法下的多无人机编队路径规划方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[4]	袁志超杨磊田井林魏晓威李康顺. 面向复杂约束多目标优化问题的双种群双阶段进化算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[5]	冷琴, 毛政元. 考虑设施规模决策的两级选址-路径优化[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3513-3520.
[6]	彭庆媛, 王晓峰, 王军霞, 华盈盈, 唐傲, 何飞. 可满足性问题相变研究综述[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3503-3512.
[7]	孙仁科, 皇甫志宇, 陈虎, 李仲年, 许新征. 神经架构搜索综述[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 2983-2994.
[8]	孙安泰, 刘烨, 徐冬梅. 多智能体系统的动态面渐近补偿算法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3151-3157.
[9]	颜超英, 张紫仪, 曲映楠, 李秋禹, 郑地翔, 孙丽珺. 基于联盟链的双向拍卖碳交易[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3240-3245.
[10]	杨志龙邹德旋李灿邵莹莹马乐杰. 融入限制反向学习与柯西-高斯变异的蜣螂优化算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[11]	姚光磊, 熊菊霞, 杨国武. 基于神经网络优化的花朵授粉算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2829-2837.
[12]	力尚龙, 刘建华, 贾鹤鸣. 融合多狩猎协调策略的爬行动物搜索算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2818-2828.
[13]	李焱, 潘大志, 郑思情. 多车场带时间窗车辆路径问题的改良自适应大邻域搜索算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1897-1904.
[14]	张倩婷胡丽莹陈黎飞. 时间序列的鲁棒形态表征方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[15]	胡林波倪志伟程家乐刘文涛朱旭辉. 基于融合社区检测的复杂协作众包任务分配方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.

粒子群选择特征和信息增益确定特征权值的入侵检测

Network intrusion detection based on particle swarm optimization algorithm and information gain

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics