GP在入侵检测规则提取中的适应度函数设计

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (26): 103-105.

GP在入侵检测规则提取中的适应度函数设计

王再见¹,傅忠谦²,李斌²,庄镇泉²

1.安徽师范大学物理与电子信息学院,安徽芜湖 241000
2.中国科学技术大学电子科学与技术系,合肥 230027

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-09-11 发布日期:2007-09-11
通讯作者: 王再见

Design of GP’s fitness function in gaining intrusion detection rules

WANG Zai-jian¹,FU Zhong-qian²,LI Bin²,ZHUANG Zhen-quan²

1.College of Physical and Electronical Information,Anhui Normal University,Wuhu,Anhui 241000,China
2.Department of Electronical Science and Technology,University of Science and Technology of China,Hefei 230027,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-09-11 Published:2007-09-11
Contact: WANG Zai-jian

摘要/Abstract

摘要： 适应度函数设计是GP应用中的关键问题之一,针对入侵检测规则自动提取的特点,设计了GP的适应度函数,并利用GP全局寻优的能力得到较好的入侵检测规则,从而降低误报率和漏报率。最后给出了实验结果,并与其他文献的同类实验结果进行了比较,证明了改进GP的有效性和先进性。

关键词: GP, 入侵检测, 数据挖掘, 适应度函数

Abstract: Design in fitness function is one of key problems in GP’s application,according to characteristics in automatic distilling intrusion detection rules,this paper designs fitness function,and makes use of GP’s powerful search performance to gain better intrusion detection rules,in order to reduce the False Alarm rate（FA） and the Detected Attacks rate（DR）.At last shows experimental results,and compares them with other papers,in this way,proves this method validity and advantage.

Key words: GP, intrusion detection, data mining, fitness function

王再见¹,傅忠谦²,李斌²,庄镇泉². GP在入侵检测规则提取中的适应度函数设计[J]. 计算机工程与应用, 2007, 43(26): 103-105.

WANG Zai-jian¹,FU Zhong-qian²,LI Bin²,ZHUANG Zhen-quan². Design of GP’s fitness function in gaining intrusion detection rules [J]. Computer Engineering and Applications, 2007, 43(26): 103-105.

[1]	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.
[2]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[3]	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.
[4]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[5]	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.
[6]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	张宇，张延松. 向量分组聚集计算技术研究[J]. 计算机工程与应用, 2021, 57(11): 84-94.
[12]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[13]	杨捷，吴素萍. 点云重建的并行算法[J]. 计算机工程与应用, 2020, 56(6): 213-219.
[14]	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.
[15]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.