采用改进PTSVM的入侵检测研究

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (5): 1-3.

采用改进PTSVM的入侵检测研究

刘宇1，2，朱随江1，2，刘宝旭2

1.中国科学院研究生院，北京 100049
2.中国科学院高能物理研究所计算中心，北京 100049

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-02-11 发布日期:2012-02-11

Study on intrusion detection using improved Progressive Transductive SVM

LIU Yu1，2, ZHU Suijiang1，2, LIU Baoxu2

1.Graduate University, Chinese Academy of Sciences, Beijing 100049, China
2.Computing Center of Institute of High Energy Physics, Chinese Academy of Sciences, Beijing 100049, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-02-11 Published:2012-02-11

摘要/Abstract

摘要： 针对ISVM以及TSVM在基于异常的入侵检测中存在的问题，面向网络入侵数据特征改进了PTSVM算法，提出了有倾向的区域标注法，使其可以快速准确地对以无标签训练样本为主的入侵数据进行训练学习，得到接近最优解的分类超平面。实验证明基于改进PTSVM的入侵检测算法在训练和检测速度上明显高于其他算法，对于攻击样本的检测率有很大提高。

关键词: 网络安全, 入侵检测, 半监督学习, 渐进直推式支持向量机, 有倾向区域标注

Abstract: To overcome the problems of ISVM and TSVM in intrusion detection, this paper improves PTSVM for network intrusion data features and designs a method with area marked tendency. It makes the training of PTSVM more quickly and accurately, leading a split plane more close to the optimum. Experiments show that intrusion detection based on improved PTSVM has an obvious advantage in training and testing speed, and it greatly improves the detection rate of attack samples.

Key words: network security, intrusion detection, semi-supervised learning, progressive transductive Support Vector Machine（SVM）, area marked tendency

刘宇1，2，朱随江1，2，刘宝旭2. 采用改进PTSVM的入侵检测研究[J]. 计算机工程与应用, 2012, 48(5): 1-3.

LIU Yu1，2, ZHU Suijiang1，2, LIU Baoxu2. Study on intrusion detection using improved Progressive Transductive SVM[J]. Computer Engineering and Applications, 2012, 48(5): 1-3.

[1]	邹承明，胡佑璞. 引入生成对抗网络的室外场景单目深度估计[J]. 计算机工程与应用, 2021, 57(6): 176-183.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	米源，唐恒亮. 基于图卷积网络的谣言鉴别研究[J]. 计算机工程与应用, 2021, 57(13): 161-167.
[7]	唐焕玲，刘艳红，郑涵，窦全胜，鲁明羽. 融合SLDA主题模型的不均衡文本分类方法[J]. 计算机工程与应用, 2021, 57(12): 144-154.
[8]	宋丽丽，李彬，赵俊雅，刘国峰. 正态重采样的改进行人再识别度量学习算法[J]. 计算机工程与应用, 2020, 56(8): 158-165.
[9]	韩嵩，韩秋弘. 半监督学习研究的述评[J]. 计算机工程与应用, 2020, 56(6): 19-27.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	彭春燕，杜秀娟. 水声传感器网络基于深度信息的安全路由协议[J]. 计算机工程与应用, 2020, 56(2): 76-81.
[15]	芶继军，李均华，陈晨，陈一鸣，吕奕达. 基于随机森林的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(2): 82-88.