基于动态分类器选择的网络入侵检测方法

提出了一种基于动态分类器选择的网络入侵检测方法,该方法通过增加训练过程以及对分类器性能的静态估算来减少分类时需要的计算资源,提高分类速度,以满足网络入侵检测对实时性的要求。实验表明,该方法的性能优于基于静态分类器选择的网络入侵检测方法。     

基于ACO-FS-SVM特征选择加权的网络入侵分类方法

特征选择和分类器设计是网络入侵分类的关键,为了提高网络入侵分类率,针对特征选择问题,提出一种蚁群算法优化SVM选择和加权特征的网络入侵分类方法.首先利用支持向量机的分类精度和特征子集维数加权构造了综合适应度指标,然后利用蚁群算法的全局寻优和多次优解搜索能力实现特征子集搜索;然后选择网络数据的关键特征,计算信息增益获得各个特征权重,并根据特征权重构建加权支持向量机的网络入侵分类器;最后设计了局部细化搜索方式,使得特征选择结果不含冗余特征的同时提高了算法的收敛性,并通过KDD1999数据集验证了算法有效性.结果表明,ACO-SVM有效降低了特征维数,提高了网络入侵检测正确率和检测速度.     

改进的入侵检测数据降维方法

数据降维是提高入侵检测分类器的学习效率和检测速度的重要手段。针对目前入侵检测数据特征降维力度不够,提出了一种基于主成分分析的分类特征降维方法。该方法把样本集按数据类型分割成多个子集,分别对每个子集进行主成分分析来消除各子集间在降维时的相互影响,使得每个子集的降维达到最佳。实验结果表明采用分类主成分分析方法能够更有效地降低数据维数,提高了入侵检测分类器的学习速度和检测速度。     

基于融合分类和支持向量机的入侵检测研究

为了在提高入侵检测的检测率的同时降低虚警率,基于融合分类和支持向量机的异常检测利用融合分类器进行入侵检测.融合分类器包含三个不同的分类器:基于属性选择的支持向量机,基于样本剔除的支持向量机以及标准支持向量机.仿真实验由三部分组成:首先,预处理数据,然后,对完成预处理的数据分别用三个分类器进行预分类,最后,由这三个分类器实际输出的加权和进行融合决策.权值的最优化是一个NP-hard问题,在实验中,利用各分类器预分类的检测率作为其对应的权值简化了权值寻优的过程.实验结论表明,基于融合分类和支持向量机的异常检测可提高入侵检测的整体性能.     

特征选择的轻量级入侵检测系统

特征选择能够很好地消除冗余和噪音特征,有利于提高入侵检测系统的检测速度和效果,因而对基于特征选择的入侵检测系统进行研究是必要的,也符合入侵检测领域的发展趋势。提出了一种基于过滤器模式的轻量级入侵检测系统,无论是在数据集的特征选择算法还是分类器的参数优化上,都给出了有效的实施策略,提高了检测速度,降低了分类干扰,提高了入侵检测的检测率。     

基于集成学习的入侵检测方法

入侵检测是近年来网络安全研究的热点。利用多分类器技术,研究了基于集成学习的入侵检测方法。应用Bootstrap技术生成分类器个体,为了提高分类器的差异性,应用聚类技术对分类器进行聚类,在相应的聚类结果中选取不同的分类器个体,并选择不同的融合方法对分类结果进行融合。针对入侵检测数据的实验表明了该集成技术的有效性。     

融合PCA和LDA的入侵检测算法

针对目前单个ID6在入侵特征提取和检测效率上存在的问题,提出了一种融合主成分分析（P（CA）和线性判别分析（LDA）的入侵检测算法。利用PCA和LDA提取入侵特征,通过KNN分类器给出初步的识别结果,接着采用D—S证据理论对识别结果进行融合,得出最终识别结果。通过在KDDCUP’99的标准入侵检测数据集上的实验表明,该方法提高了入侵检测率．同时降低了误报率,性能优于单一的分类器。     

基于CNN和SVM的报文入侵检测方法

为了进一步提高网络异常检测的准确率, 本文在对现有入侵检测模型分析的基础上, 提出了一种基于卷积神经网络和支持向量机的网络报文入侵检测方法. 该方法首先将数据预处理成二维矩阵, 为了防止算法模型过拟合, 利用permutation函数将数据随机打乱, 然后利用卷积神经网络CNN从预处理后的数据中学习有效特征, 最后通过支持向量机SVM分类器将得到的向量进行分类处理. 在数据集选择上, 采用网络入侵检测常用的权威数据集—京都大学蜜罐系统数据集, 通过与GRU-Softmax、GRU-SVM等现有检测率较高的模型进行实验对比, 该模型在准确率上最高分别提高了19.39% 和12.83%, 进一步提升了网络异常检测的准确度. 同时, 本研究所提出方法在训练速度和测试速度上有较大提高.     

基于多分类支持向量机的入侵检测方法

网络入侵检测所处理的数据由多类攻击数据和正常数据构成，基于此对多分类支持向量机在网络入侵检测中的应用进行了研究，采用一对一方法构造了多分类支持向量机分类器，用KDD99入侵检测数据对所提出的多分类支持向量机分类器进行了测试评估，将实验结果和BP神经网络方法进行了比较。实验表明提出的方法是可行的、高效的。     

一种高效的面向轻量级入侵检测系统的特征选择算法

特征选择是网络安全、模式识别、数据挖掘等领域的重要问题之一.针对高维数据对象,特征选择一方面可以提高分类精度和效率,另一方面可以找出富含信息的特征子集.文中提出一种wrapper型的特征选择算法来构建轻量级入侵检测系统.该算法采用遗传算法和禁忌搜索相混合的搜索策略对特征子集空间进行随机搜索,然后利用提供的数据在无约束优化线性支持向量机上的平均分类正确率作为特征子集的评价标准来获取最优特征子集.文中按照DOS,PROBE,R2L,U2R 4个类别对KDD1999数据集进行分类,并且在每一类上进行了大量的实验.实验结果表明,对每一类攻击文中提出的特征选择算法不仅可以加快特征选择的速度,而且基于该算法构建的入侵检测系统在建模时间、检测时间、检测已知攻击、检测未知攻击上,与没有运用特征选择的入侵检测系统相比具有更好的性能.     

Automated design of linear tree classifiers

An automated method is presented for the design of linear tree classifiers, i.e. tree classifiers in which a decision based on a linear sum of features is carried out at each node. The method exploits the discriminability of Tomek links joining opposed pairs of data points in multidimensional feature space to produce a hierarchically structured piecewise linear decision function. The corresponding decision surface is optimized by a gradient descent that maximizes the number of Tomek links cut by each linear segment of the decision surface, followed by training each node's linear decision segment on the data associated with that node. Experiments on real data obtained from ship images and character images suggest that the accuracy of the tree classifier designed by this scheme is comparable to that of the k-NN classifier while providing much greater decision speeds, and that the trade-off between the speed and the accuracy in pattern classification can be controlled by bounding the number of features to be used at each node of the tree. Further experiments comparing the classification errors of our tree classifier with the tree classifier produced by the Mui/Fu technique indicate that our tree classifier is no less accurate and often much faster than the Mui/Fu classifier.     

活体肝细胞磷31磁共振波谱数据分类

基于活体肝细胞的31P磁共振波谱图（31Phosphorus Magnetic Resonance Spectroscopy,31P-MRS）对肝细胞数据进行诊断,分为3种类型：肝癌、肝硬化和正常肝。分别运用线性分类器和二次分类器对数据分类,并在分类前进行了特征抽取。线性分类器和二次分类器在“留一法”中对上述3种类型的分类准确率分别约为81.37%、77.75%、92.30%和95.27%、99.89%、99.70%。实验证明二次分类器相对于线性分类器,明显地提高了分类准确率。     

基于线性分类器的混合空间查找表颜色分类方法

提出了一种基于线性分类器的混合颜色空间查找表颜色分类方法,该方法主要解决颜色查找表分类方法的区分能力受颜色空间选择、阈值确定等因素影响而难以区分近似颜色的问题。将模式识别中的线性分类器思想应用于颜色查找表映射关系的建立,并通过同时使用HSI空间与YUV空间的方法提高查找表对近似颜色的区分能力。实验结果表明,基于线性分类器的混合空间查找表颜色分类方法具有查找表建立原则简单、效果直观的特点,并且对近似颜色有较强的区分能力,适用于彩色图像的快速颜色分割。     

小波包熵在水下目标识别中的应用研究

研究了基于小波包变换和Fisher线性分类器的水下目标识别方法。小波包是在小波变换的基础上发展起来的时频分析方法,能够对非平稳信号提供更丰富的时频信息。通过对水下目标辐射噪声信号进行小波包分解,提取小波包分解的终端节点的熵值作为特征矢量,应用Fisher线性分类器设计的分段线性分类器对水下目标进行分类识别。仿真结果表明,以小波包熵作为特征矢量的分类方法具有较高的识别正确率。     

DF-LDA tree: a nonlinear multilevel classifier for pattern recognition

This article presents a new nonlinear classifier by arranging linear classifiers in a tree structure. The proposed classifier, called the direct fractional-step linear discriminant (DF-LDA) tree, adopts a tree structure containing a DF-LDA at each node. The structure of the tree classifier evolves as the training proceeds, so there is no need to decide any parameters as a priori. Due to the many DF-LDAs arranged in the tree structure, classification performance of the proposed classifier is improved over single-shot DF-LDA. The proposed DF-LDA tree is tested on various synthetic and real datasets. Experimental results show that the proposed classifier leads to very satisfactory results in terms of classification accuracy.     

基于分类器判决可靠度估计的最优线性集成方法

多分类器集成的目标是充分利用每一个分类器的长处，既要发挥它们的最佳性能，又能克服单个分类器的弱点，以达到最优的系统识别性能，该文提出一种基于发类器判决可靠度估计的多分类器集成方法，利用各分类器对当前输入样本的判决兵验概率，实时估计它们的分类判决可靠度，并指导集成权重系数的分配，该方法能够使集成权重更灵活地适应不同的输入变化，充分利用每个分类器当前的识别能力，从而获得更好的集成效果，该文结合最小均方误差准则（MSE）下的最优线性集成方法给出了权重模型和训练算法，并与其它的线性集成模型作了比较，实验表明，不论在最优化准则下的最终误差还是在实际识别性能上，作者提出的方法都取得了最好的效果。     

Classification of fuzzy data based on the support vector machines

Data may be afflicted with uncertainty. Uncertain data may be shown by an interval value or in general by a fuzzy set. A number of classification methods have considered uncertainty in features of samples. Some of these classification methods are extended version of the support vector machines (SVMs), such as the Interval‐SVM (ISVM), Holder‐ISVM and Distance‐ISVM, which are used to obtain a classifier for separating samples whose features are interval values. In this paper, we extend the SVM for robust classification of linear/non‐linear separable data whose features are fuzzy numbers. The support of such training data is shown by a hypercube. Our proposed method tries to obtain a hyperplane (in the input space or in a high‐dimensional feature space) such that the nearest point of the hypercube of each training sample to the hyperplane is separated with the widest symmetric margin. This strategy can reduce the misclassification probability of our proposed method. Our experimental results on six real data sets show that the classification rate of our novel method is better than or equal to the classification rate of the well‐known SVM, ISVM, Holder‐ISVM and Distance‐ISVM for all of these data sets.     

A simple and fast multi-class piecewise linear pattern classifier

A simple and fast multi-class piecewise linear classifier is proposed and implemented. For a pair of classes, the piecewise linear boundary is a collection of segments of hyperplanes created as perpendicular bisectors of line segments linking centroids of the classes or parts of classes. For a multi-class problem, a binary partition tree is initially created which represents a hierarchical division of given pattern classes into groups, with each non-leaf node corresponding to some group. After that, a piecewise linear boundary is constructed for each non-leaf node of the partition tree as for a two-class problem. The resulting piecewise linear boundary is a set of boundaries corresponding to all non-leaf nodes of the tree. The basic data structures of algorithms of synthesis of a piecewise linear classifier and classification of unknown patterns are described. The proposed classifier is compared with a number of known pattern classifiers by benchmarking with the use of real-world data sets.     

汉字识别中以词为分类单位的分类器研究

汉字识别中,以往的分类器设计都是以字为单位的“字分类器”。字分类器的输出总是与待识字结构相似的一个侯选字集合。这是使后级识别容易产生误识的主要原因。为克服字分类器的缺点,本文给出了以词为单位的词分类器设计的策略与方法,并实验验证了词分类器在分类率及分类速度方面均优于字分类器。     

基于多通道图判别投影HAAR特征的多视角人脸检测

提出了一种基于多通道图判别投影HAAR特征的多视角人脸检测算法。该算法首先将人脸图像提取多通道图,降低图像中的光照和噪声影响;其次基于正负训练样本集利用线性判别投影学习增强HAAR特征,提高特征判别能力;然后计算训练样本的增强HAAR特征在多通道图中的响应,并利用非对称GentleBoost算法进行特征选择生成一组弱分类器;最后利用线性非对称分类器重新调整强分类器的权重和阈值。该方法不仅提高了特征的判别能力,而且实现了非平衡正负样本空间的合理划分。实验结果表明：该方法与当前经典方法相比具有更快的检测速度和更高的检测精度。