基于邻域粗糙集的网络入侵分类诊断组合模型研究
网络入侵诊断直接影响网络正常运行和安全.针对入侵类型复杂,现有分类诊断模型精度有限的问题,提出一种基于邻域粗糙集的网络入侵分类诊断优化模型.首先,运用邻域粗糙集对网络入侵数据进行条件属性的约简,确定关键属性,然后将其作为训练输入构建相关向量机分类诊断模型,并同时运用遗传算法进行超参数优化,提高模型诊断精度和速度.通过KDDCup99数据集对优化模型性能进行检验,结果表明,组合预测方法精确度高于支持向量机、相关向量机和BP神经网络.组合模型诊断精度高、速度快,具有优异的综合性能.
网络入侵、领域粗糙集、相关向量机、遗传算法、分类诊断
47
TN9;TP3
国家自然科学基金51066002/E060701;NSFC-云南联合基金资助项目U0937604
2017-06-30(万方平台首次上网日期,不代表论文的发表时间)
共7页
145-151