小样本纠错的多层入侵检测分类研究

摘要：

入侵检测对于网络安全至关重要,不平衡或易混淆的训练样本往往导致传统入侵检测算法效率不佳.为此,提出一种小样本纠错的多层检测分类模型.首先,通过正交投影降维分类算法,使用入侵检测数据集的训练集构建第一层的初筛分类器,将待测样本粗分为三类;然后基于支持向量机及随机森林算法构造第二层和第三层的级联分类器组,每层逐步纠错前面层,并细分至五类;最后,用开源入侵检测评测数据集NSL-KDD进行实验.实验结果表明,本文的方法显著提高了对于拒绝服务攻击(Denial of Service,DoS)、探测攻击(Probe)、未经授权的远程访问(Remote to Local,R2L)类攻击样本的准确率,整体召回率及准确率优于同类研究.

关键词：入侵检测、降维分类、纠错、不平衡数据集

所属期刊栏目：37

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目;广东省教育厅资助项目;广州市科技计划项目

在线出版日期：2020-06-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：9-16