基于中间分类超平面的SVM入侵检测

摘要：

在网络入侵检测中,大规模数据集会导致支持向量机(SVM)方法训练时间长、检测速度慢.针对该问题,提出一种基于中间分类超平面的SVM入侵检测方法.通过对正常和攻击样本的聚类分析,定义聚类簇中心的边界面接近度因子,实现对标准SVM二次式的改进;用簇中心对其训练,获取一个接近最优超平面的中间分类超平面;确定距离阈值,以选取潜在支持向量,实现训练样本的缩减.在KDDCUP1999数据集上进行实验,结果表明,与聚类支持向量机方法相比,该方法能简化训练样本,提高SVM的训练和检测速度.

关键词：中间分类超平面、样本缩减、潜在支持向量、支持向量机、入侵检测

所属期刊栏目：37

分类号：TP309(计算技术、计算机技术)

资助基金：陕西省自然科学基金资助项目2009JM7007

在线出版日期：2012-01-14（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：117-119