异常流量检测中的特征选择

doi:10.3778/j.issn.1002-8331.2010.28.035

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (28): 125-127.DOI: 10.3778/j.issn.1002-8331.2010.28.035

异常流量检测中的特征选择

王秀英^1，2，邵志清¹，陈丽琼¹

1.华东理工大学信息科学与工程学院，上海 200237
2.上海新侨职业技术学院计算机信息系，上海 200237

收稿日期:2009-03-04 修回日期:2009-04-20 出版日期:2010-10-01 发布日期:2010-10-01
通讯作者: 王秀英

Feature selection algorithm toward abnormal traffic detection

WANG Xiu-ying^1，2，SHAO Zhi-qing¹，CHEN Li-qiong¹

1.College of Information Science and Engineering，East China University of Science and Technology，Shanghai 200237，China
2.Department of Computer and Information，Shanghai Xinqiao Vocational and Technical College，Shanghai 200237，China

Received:2009-03-04 Revised:2009-04-20 Online:2010-10-01 Published:2010-10-01
Contact: WANG Xiu-ying

摘要/Abstract

摘要： 针对异常流量检测领域的高维数据降维问题，提出了一种基于信息熵理论的特征选择算法。首先计算特征的重要系数，删除重要系数小于一定阈值的特征，得到重要特征集。然后，计算特征间的冗余系数，删除冗余特征，得到精简的特征集。最后，用ID3算法对精简的特征集进行了验证，结果表明这种特征选择算法是有效的。

关键词: 特征选择, 异常流量, 信息熵, ID3算法

Abstract: Focusing on the problem of dimension reduction in abnormal network traffic detection in LAN，a novel algorithm for feature selection is proposed based on information entropy.Firstly，the features whose importance coefficient is less than a threshold are deleted，and the important features set is obtained.Secondly，the redundancy features are deleted through computation of redundancy coefficient between two features.At last，the ID3 algorithm is used to detect abnormal traffic with the reduction of feature set.And the results show that the proposed algorithm to select feature is effictive.

Key words: Feature selection, Abnormaly traffic, Information entropy, ID3 algorithm

中图分类号:

TP319

王秀英^1，2，邵志清¹，陈丽琼¹. 异常流量检测中的特征选择[J]. 计算机工程与应用, 2010, 46(28): 125-127.

WANG Xiu-ying^1，2，SHAO Zhi-qing¹，CHEN Li-qiong¹. Feature selection algorithm toward abnormal traffic detection[J]. Computer Engineering and Applications, 2010, 46(28): 125-127.

[1]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[2]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[3]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[4]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[5]	李珑珠，林耀进，吕彦，卢舜，王晨曦. 利用邻域信息交互的在线流特征选择算法[J]. 计算机工程与应用, 2021, 57(21): 102-108.
[6]	江魁，丘远东，郑浩城. 基于信息熵与LSTM的ICMPv6 DDoS攻击检测方法[J]. 计算机工程与应用, 2021, 57(21): 148-154.
[7]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[8]	宋世杰，陈开颜，张阳. 信息熵角度下的深度学习旁路安全评估框架[J]. 计算机工程与应用, 2021, 57(17): 138-146.
[9]	武炜杰，张景祥. 融合分类信息的随机森林特征选择算法及应用[J]. 计算机工程与应用, 2021, 57(17): 147-156.
[10]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[11]	邱云飞，高华聪. 混合Filter与改进自适应GA的特征选择方法[J]. 计算机工程与应用, 2021, 57(11): 95-102.
[12]	霍林，陆寅丽. 改进粒子群算法应用于Android恶意应用检测[J]. 计算机工程与应用, 2020, 56(7): 96-101.
[13]	陈建促，王越，朱小飞，李章宇，林志航. 融合多特征图的野生动物视频目标检测方法[J]. 计算机工程与应用, 2020, 56(7): 221-227.
[14]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[15]	廖文雄，曾碧，梁天恺，徐雅芸，赵俊峰. 面向高维数据的个人信贷风险评估方法[J]. 计算机工程与应用, 2020, 56(4): 219-224.

异常流量检测中的特征选择

Feature selection algorithm toward abnormal traffic detection

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics