改进的入侵检测数据降维方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (25): 85-88.

改进的入侵检测数据降维方法

王晓霞1，孙德才1，唐耀庚2

1.湖南工学院计算机与信息科学系，湖南衡阳 421002
2.南华大学计算机科学与技术学院，湖南衡阳 421001

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-01 发布日期:2011-09-01

Improved feature fusion method of intrusion data

WANG Xiaoxia1，SUN Decai1，TANG Yaogeng2

1.Department of Computer and Information Science，Hunan Institute of Technology，Hengyang，Hunan 421002，China
2.School of Computer Science and Technology，Nanhua University，Hengyang，Hunan 421001，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-01 Published:2011-09-01

摘要/Abstract

摘要： 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。

关键词: 入侵检测, 数据预处理, 特征提取, 主成分分析, 特征降维

Abstract: To eliminate the interaction in subsets of intrusion detection data and make the feature fusion of every subset optimized，a feature extraction method based on Classified Principal Component Analysis（CPCA） is presented.Sample data employed is divided into several subsets according to the types of the present attacks，and PCA is performed on every subset separately.The experimental results demonstrate that this method has the merit of fast learning for classifier and higher detection speed.

Key words: intrusion detection, data preprocessing, feature extraction, principal component analysis, feature fusion

王晓霞1，孙德才1，唐耀庚2. 改进的入侵检测数据降维方法[J]. 计算机工程与应用, 2011, 47(25): 85-88.

WANG Xiaoxia1，SUN Decai1，TANG Yaogeng2. Improved feature fusion method of intrusion data[J]. Computer Engineering and Applications, 2011, 47(25): 85-88.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[4]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[5]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[6]	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.
[7]	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.
[8]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[9]	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.
[10]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[11]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[12]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[13]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[14]	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.
[15]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.