一种基于改进支持向量机的入侵检测方法研究

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (15): 74-77.

一种基于改进支持向量机的入侵检测方法研究

易晓梅，吴鹏，刘丽娟，戴丹

浙江农林大学信息工程学院，杭州 311300

出版日期:2012-05-21 发布日期:2012-05-30

Intrusion detection method based on improved SVM

YI Xiaomei, WU Peng, LIU Lijuan, DAI Dan

School of Information Engineering, Zhejiang Agriculture and Forestry University, Hangzhou 311300, China

Online:2012-05-21 Published:2012-05-30

摘要/Abstract

摘要： 提出基于粒子群优化（Particle Swarm Optimization，PSO）算法和支持向量机（Support Vector Machines，SVM）的入侵检测方法，为优化SVM性能，使用PSO的全局搜索特性寻找SVM的最优参数[C]和[σ]；为避免PSO算法陷入局部最优，引入变异操作，找到最优参数组合后进行基于PSO_SVM入侵检测算法的训练和检测，解决了入侵检测系统准确度难题。仿真实验表明该方法的检测率为92.8%，误报率为6.911 9%，漏报率为9.708 7%，对KDDCUP竞赛的最佳结果有一定程度的提高，实验结果验证了该算法的有效性和可行性。

关键词: 入侵检测, 支持向量机, 粒子群算法, 网络安全

Abstract: An intrusion detection method based on SVM combined with PSO is proposed. The global search characteristic of PSO is used to search for the best SVM’s parameter：[C]and[σ], and mutation operation is introduced in PSO in order to obtain?globally optimal solutions. After finding the optimal [C]and[σ], training and testing operation of intrusion detection system based on PSO_SVM are performed. It has high real-time and accuracy. The simulation results show that the detection rate is 92.8%, false alarm is 6.9119%and losing alarm is 9.7087%. It verifies the effectiveness and feasibility of the proposed algorithm.

Key words: intrusion detection, support vector machines, particle swarm optimization, network security

易晓梅，吴鹏，刘丽娟，戴丹. 一种基于改进支持向量机的入侵检测方法研究[J]. 计算机工程与应用, 2012, 48(15): 74-77.

YI Xiaomei, WU Peng, LIU Lijuan, DAI Dan. Intrusion detection method based on improved SVM[J]. Computer Engineering and Applications, 2012, 48(15): 74-77.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[3]	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.
[4]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[5]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[6]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[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]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[9]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[10]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[11]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[12]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[13]	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.
[14]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[15]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.