一种改进的网络入侵检测器生成算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (21): 150-152.

一种改进的网络入侵检测器生成算法

马莉^1,2，刘凤玉²

1.扬州大学信息工程学院，江苏扬州 225009
2.南京理工大学计算机科学与技术学院，南京 210094

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-07-21 发布日期:2007-07-21
通讯作者: 马莉

Improved algorithm of generating network intrusion detector

MA Li^1,2，LIU Feng-yu¹

1.The Information Engineering College of Yangzhou University，Yangzhou，Jiangsu 225009，China
2.School of Computer Science and Technology，NUST，Nanjing 210094，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-07-21 Published:2007-07-21
Contact: MA Li

摘要/Abstract

摘要： 在分析了现有检测器生成算法的基础上，针对阴性选择算法的缺陷，提出了IDANS算法（Improved Detection Algorithm based on Negative Selection，改进的基于阴性选择的检测算法）。该算法采用基因库进化等策略，提高了生成检测器的有效性和检测率，同时，引入协同信号机制有效识别误操作，从而大大降低虚警率。实验结果体现了该算法的有效性和检测的高效性。

关键词: 入侵检测, 阴性选择, 异常检测, 基因库优化

Abstract: On the basis of the analysis of the current algorithms on generating detector，an algorithm of generating network intrusion detector is proposed to avoid the disadvantages of negative selection.The algorithm takes advantage of the strategies such as GAlib etc to improve the efficiency and TP（True Positive）.Meanwhile，with the introducing of cooperating signals，the algorithm is good for recognizing the mistake operations so as to reduce FP（False Positive）.The experiment results show that the proposed algorithm is practical and efficient.

Key words: intrusion detection, negative algorithm, abnormal detection, optimization of GAlib

马莉^1,2，刘凤玉². 一种改进的网络入侵检测器生成算法[J]. 计算机工程与应用, 2007, 43(21): 150-152.

MA Li^1,2，LIU Feng-yu¹. Improved algorithm of generating network intrusion detector[J]. Computer Engineering and Applications, 2007, 43(21): 150-152.

[1]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[2]	曹磊，李占斌，杨永胜，赵龙飞. 基于双层注意力神经网络的入侵检测方法[J]. 计算机工程与应用, 2021, 57(19): 142-149.
[3]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[4]	巩俊辉，胡晓辉，杜永文. 基于演化博弈的最优防御策略选取研究[J]. 计算机工程与应用, 2021, 57(13): 116-123.
[5]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[6]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[7]	刘杰，房俊，雷峰津. 电能质量异常数据在线检测方法[J]. 计算机工程与应用, 2020, 56(9): 240-247.
[8]	吴楚田，陈永乐，陈俊杰. 多协议交叉的HMM协议异常检测算法[J]. 计算机工程与应用, 2020, 56(8): 81-86.
[9]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[10]	贺寰烨，林果园，顾浩，方梦华. 云虚拟机异常检测场景下改进的LOF算法[J]. 计算机工程与应用, 2020, 56(23): 80-86.
[11]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[12]	陈虹，王闰婷，肖成龙，郭鹏飞，黄洁，陈红霖. 基于DBN-XGBDT的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(22): 83-91.
[13]	狄冲，李桐. 网络未知攻击检测的深度学习方法[J]. 计算机工程与应用, 2020, 56(22): 109-116.
[14]	汪盼，宋雪桦，王昌达，陈锋，徐夏强，蔡冠宇. 基于改进的深度信念网络的入侵检测方法[J]. 计算机工程与应用, 2020, 56(20): 87-92.
[15]	陈虹，赵建智，肖成龙，陈建虎，肖越. 改进ADASYN-SDA的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(2): 97-105.