改进的AdaBoost算法在IDS入侵检测中的应用

doi:10.3778/j.issn.1002-8331.2010.21.026

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (21): 94-96.DOI: 10.3778/j.issn.1002-8331.2010.21.026

改进的AdaBoost算法在IDS入侵检测中的应用

陈念¹，王汝传²

1.池州学院计算机科学系，安徽池州 247000
2.南京邮电大学计算机科学系，南京 210093

收稿日期:2010-02-25 修回日期:2010-05-13 出版日期:2010-07-21 发布日期:2010-07-21
通讯作者: 陈念

Detection of intrusion samples in IDS based on improved AdaBoost algorithm

CHEN Nian¹，WANG Ru-chuan²

1.Department of Computer Science，Chizhou College，Chizhou，Anhui 247000，China
2.Department of Computer Science，Nanjing University of Posts and Telecommunications，Nanjing 210093，China

Received:2010-02-25 Revised:2010-05-13 Online:2010-07-21 Published:2010-07-21
Contact: CHEN Nian

摘要/Abstract

摘要： 网络入侵检测系统IDS中，异常数据所占的比例非常小，属于小类样本，却是检测的目标。在AdaBoost算法基础上进行改进，通过对大类样本权重设置阈值，对权值超过阈值的样本进行相应处理，来削弱分类器对大类样本错分的重视程度，减轻下一级训练的负担，从而有效地强化对小类错分样本的学习，提高入侵检测的精度，降低误报率和漏报率。方法在KDD-99数据集上进行实验，并与SVM方法检测结果进行比较，取得了很好的效果。

关键词: 阈值, AdaBoost算法, 入侵检测系统, 分类器

Abstract: In network intrusion detection system，abnormal samples are the goal of detection，although the proportion of them is very small.Based on AdaBoost algorithm，this paper sets threshold value to the samples of majority class and processes those whose weight is above the threshold.The improved algorithm can effectively reduce the burden of classifier on next level of training and strengthen the learning to the samples of minority class.The results experimented on KDD-99 sets and comparison with SVM method show the algorithm effectively reduces the false alarm rate and omission rate.

Key words: threshold, AdaBoost algorithm, intrusion detection system, classifier

中图分类号:

TP393

陈念¹，王汝传². 改进的AdaBoost算法在IDS入侵检测中的应用[J]. 计算机工程与应用, 2010, 46(21): 94-96.

CHEN Nian¹，WANG Ru-chuan². Detection of intrusion samples in IDS based on improved AdaBoost algorithm[J]. Computer Engineering and Applications, 2010, 46(21): 94-96.

[1]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[2]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[3]	王方，张雪英，胡风云，李凤莲. 集成分类器对脑卒中患者脑电的分类[J]. 计算机工程与应用, 2021, 57(24): 276-282.
[4]	齐小祥，李敏，朱颖，宋雨，杜卫东. 基于边缘检测的SAR图像自适应区域分割[J]. 计算机工程与应用, 2021, 57(22): 232-240.
[5]	刘磊，邹媛媛，陈泊璇. 二维形状特征描述及分类识别研究进展综述[J]. 计算机工程与应用, 2021, 57(14): 39-47.
[6]	孙玮婕，杨军. 改进的简单非迭代聚类的遥感影像分割研究[J]. 计算机工程与应用, 2021, 57(13): 185-192.
[7]	袁中臣，马宗民. 基于语义的UML类图的集成分类[J]. 计算机工程与应用, 2021, 57(12): 257-262.
[8]	陈晓文，刘光帅，刘望华，李旭瑞. 成对旋转不变的共生自适应完全局部三值模式[J]. 计算机工程与应用, 2021, 57(1): 219-226.
[9]	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.
[10]	熊霖，唐万梅. 基于异构分类器集成的增量学习算法[J]. 计算机工程与应用, 2020, 56(7): 155-161.
[11]	颜建军，陈松晔，燕海霞，王忆勤，郭睿. 基于递归图和卷积神经网络的脉象分析识别[J]. 计算机工程与应用, 2020, 56(7): 170-175.
[12]	李巧，陈花竹，杨春雨，李丹. 基于判别性解析字典与分类器学习的模式分类[J]. 计算机工程与应用, 2020, 56(6): 165-171.
[13]	叶启松，戴旭初. 攻击分类器的对抗样本生成技术的现状分析[J]. 计算机工程与应用, 2020, 56(5): 34-42.
[14]	张岁岁，黄丽霞，王杰，张雪英. 麦克风阵列下互相关函数分类的声源定位[J]. 计算机工程与应用, 2020, 56(4): 128-133.
[15]	宋杰，许冰，杨淼中. 基于自适应步长果蝇优化算法图像分割[J]. 计算机工程与应用, 2020, 56(4): 184-190.

改进的AdaBoost算法在IDS入侵检测中的应用

Detection of intrusion samples in IDS based on improved AdaBoost algorithm

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