本文使用一种新的集成方法，称为EDKC (Ensemble of Different Kind of Classifiers)，用于入侵检测。EDKC集成不同的分类器形成组合分类器，并且通过加权投票表决对未知样本进行分类。在KDDCUP数据集上的实验结果表明，EDKC不仅具有较高的F-度量值，能达到目标类召回率和精度的平衡，而且能够取得很高的分类准确率。关键词 入侵检测；组合分类器；投票随着计算机及网络系统中存储的重要信息越来越多，以及在网上进行的商务活动量的剧增，系统的安全问题显得日益突出，我们需要尽可能找到更好的措施以保护系统免受入侵者的攻击，入侵检测技术也就应运而生。文献[1]简单介绍了入侵检测发展技术。入侵检测可以看作是一个分类问题,把给定的审计数据分为正常数据和异常数据。集成学习方法是机器学习领域逐渐发展起来的用于提升弱分类算法准确率的技术，被认为是近十年来提出的最有效的学习思想之一。集成学习方法主要包括Bagging[2]和Boosting[3]，虽然它们抽样方式不相同，但是都试图通过组合多个弱分类器的输出以产生有效的“委员会”，改善算法的分类性能。本文提出一种新的分类算法EDKC (Ensemble of Different Kind of Classifiers)，用于入侵检测。
猜您喜欢
推荐内容
开源项目推荐 更多
热门活动
热门器件
用户搜过
随便看看
热门下载
热门标签
京公网安备 11010802033920号
Copyright © 2005-2024 EEWORLD.com.cn, Inc. All rights reserved
评论