基于分布式集成学习的入侵检测模型

摘要：

针对入侵检测系统的高漏报率及高误报率问题,提出一种混杂入侵检测模型.该模型分别构造基于核主成分分析(KPCA)和核独立成分分析(KICA)的特征提取器,并采用集成学习对特征提取结果进行整合学习.采用分布式神经网络对集成结果进行再学习,从而实现对大规模数据的分布式处理.通过反馈机制调节KPCA和KICA的集成学习权重,达到最优检测效果.采用KDD CUP'99数据集进行测试实验,结果表明:该模型能够获得较高的检测正确率,同时具有较低的漏报率及误报率.

关键词：入侵检测、集成、核主成分分析、核独立成分分析、分布式神经网络

所属期刊栏目：37

分类号：N945(系统科学)

资助基金：国家自然科学基金资助项目60973136;国家科技部国际合作与交流专项基金资助项目2008DFA12140

在线出版日期：2011-10-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：104-106