基于邻域粗糙集的入侵检测集成算法

摘要：

入侵检测领域的数据往往具有高维性及非线性特点，且其中含有大量的噪声、冗余及连续型属性，这就使得一般的模式分类方法不能对其进行有效的处理。为了进一步提高入侵检测效果，提出了基于邻域粗糙集的入侵检测集成算法。采用Bagging技术产生多个具有较大差异性的训练子集，针对入侵检测数据的连续型特点，在各训练子集上使用具有不同半径的邻域粗糙集模型进行属性约简，消除冗余与噪声，实现属性约简以提高属性子集的分类性能，同时也获得具有更大差异性的训练子集，采用SVM为分类器训练多个基分类器，以各基分类器的检测精度构造权重进行加权集成。KDD99数据集的仿真实验结果表明，该算法能有效地提高入侵检测的精度和效率，具有较高的泛化性和稳定性。

关键词：入侵检测、Bagging技术、邻域粗糙集、支持向量机、集成学习

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金No.81160183，No.11305097；陕西理工学院科研基金No.SLGKY13-41，No.SLGKY12-01。

在线出版日期：2014-06-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：96-100