10.3969/j.issn.1000-3428.2013.05.028
不均衡数据集下基于SVM的托攻击检测方法
传统支持向量机(SVM)方法在数据不均衡情况下无法有效实现托攻击检测.在研究SVM的基础上,提出一种基于欠采样和代价敏感SVM相结合的托攻击检测方法.利用边界样本修剪技术实现训练样本的均衡,在消除部分多数类样本显著减小数据不均衡程度的同时,保证信息损失最小.结合受试者工作特征分析技术,利用代价敏感SVM对重构后的样本集进行训练,在限定范围内自动搜索最优参数,进而调节阈值获得系统决策函数.实验结果表明,该方法能提高托攻击的检测精度.
攻击检测、不均衡数据集、代价敏感学习、欠采样、支持向量机、接收机工作特性分析
39
TP181(自动化基础理论)
辽宁省社会科学规划基金资助项目L10BJL026
2013-11-12(万方平台首次上网日期,不代表论文的发表时间)
共4页
132-135