基于改进遗传算法的网络疑似入侵最优数据选取

摘要：

针对目标网络疑似入侵数据存在大量高维和冗余特征,而现有入侵检测方法仅定性选取特征,导致入侵检测率低、误报率高、实时性差的问题,提出基于改进遗传算法的网络疑似入侵最优数据选取方法.采用半监督学习算法对归一化处理后的数据进行自动标记以获取更大规模的网络疑似入侵数据,将其作为入侵检测模型的训练数据集;采用重采样算法从训练数据集中随机选取一个训练数据子集,计算训练数据子集中疑似入侵数据特征的信息增益率,选取信息增益率最大的特征构造有效疑似入侵数据特征集;采用偏F检验对特征进一步选取,构建待优化疑似入侵数据特征集,利用改进的遗传算法对待优化特征集进行优化选择,选取出最能反应入侵状态的数据集.实验结果表明,所提方法在确保入侵检测率、误报率尽可能低的前提下,有效提高了检测效率.

关键词：遗传算法、网络疑似入侵、重采样、入侵检测、数据集、优化选择

所属期刊栏目：41

分类号：TN915-34;TP393.08

在线出版日期：2018-12-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：163-165,169