共形预测框架下的高可靠入侵检测算法

摘要：

入侵检测算法广泛应用于网络安全领域,然而现有基于机器学习的入侵检测算法仅输出数据的预测结果标签,缺少对预测结果置信值的评价机制,难以确保预测结果的可靠性.提出一种基于共形预测的高可靠入侵检测算法.将共形预测融入到传统机器学习算法中,得到数据分类标签和对应的置信值、可信度,提高网络数据分类的可靠性.通过对网络数据进行数字化、标准化和降维预处理,根据传统机器学习算法的特点,设计在共形预测框架下与各算法相对应的不一致得分计算公式,并引入平滑因子改进p-value的计算公式,使其能够以更平滑的方式计算预测结果p-value,提高算法的稳定性.实验结果表明,与单独采用SVM、DT和DT-SVM算法相比,该算法在KDD CUP99数据集上分类准确率分别提高11.1、4.6和3.7个百分点,在AWID数据集上分类准确率分别提高4.0、2.5和1.3个百分点,可保证入侵检测结果的高可靠性.

关键词：共形预测、入侵检测、高可靠性、机器学习、置信值、不一致测量

所属期刊栏目：48

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金;辽宁省教育厅项目;辽宁工程技术大学创新团队项目;辽宁工程技术大学博士启动项目

在线出版日期：2022-09-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：130-140