基于半監(jiān)督的SVM-KNN及其在入侵檢測中的應(yīng)用.pdf

1、入侵檢測作為網(wǎng)絡(luò)安全領(lǐng)域一項重要的安全防護技術(shù)，不僅能夠發(fā)現(xiàn)外部攻擊，而且也能檢測內(nèi)部用戶的未授權(quán)活動，在網(wǎng)絡(luò)安全領(lǐng)域發(fā)揮著重要的作用。隨著計算機和數(shù)據(jù)存儲技術(shù)的發(fā)展，網(wǎng)絡(luò)中傳輸?shù)臄?shù)據(jù)量數(shù)以億計，這對入侵檢測技術(shù)處理海量數(shù)據(jù)的能力和檢測時間提出了更高的要求。
　　 在機器學(xué)習(xí)的很多實際應(yīng)用領(lǐng)域中，帶有正確標(biāo)記的樣本都是有限且很難獲得的，而收集大量未標(biāo)記樣本卻相當(dāng)容易。如何利用大量未標(biāo)記樣本輔助少量的標(biāo)記樣本改善學(xué)習(xí)效果是機器學(xué)習(xí)

2、領(lǐng)域面臨的主要問題之一。半監(jiān)督學(xué)習(xí)可以利用有限的標(biāo)記樣本和大量未標(biāo)記樣本改善學(xué)習(xí)機的性能，目前已成為機器學(xué)習(xí)領(lǐng)域的研究焦點之一。
　　 本文提出了一種基于半監(jiān)督學(xué)習(xí)的SVM-KNN分類算法。由于在SVM的分類過程中，只有支持向量對最終求得的分類超平面有影響，而與非支持向量無關(guān)，因此將支持向量加入到原始訓(xùn)練集中，有助于提高分類效果。首先利用現(xiàn)有的少量標(biāo)記數(shù)據(jù)，訓(xùn)練出一個弱分類器SVM。然后用KNN作為輔助分類器，從大量未標(biāo)記樣本中

3、挑選出部分對分類起關(guān)鍵作用的樣本，將之融入到訓(xùn)練集中，不僅保留了未標(biāo)記數(shù)據(jù)中的有用信息，而且刪除了大量冗余樣本。最后在新的訓(xùn)練集上重新訓(xùn)練SVM，不斷修正分類邊界，結(jié)果提高了分類器的分類精度，縮短了訓(xùn)練時間。
　　 將本文的算法應(yīng)用于入侵檢測，在KDD99數(shù)據(jù)集上進行實驗，結(jié)果表明本文提出的算法不僅提高了檢測精度，而且縮短了檢測時間。針對入侵檢測數(shù)據(jù)高維數(shù)的特點，利用單個最優(yōu)特征組合的改進算法，通過對數(shù)據(jù)降維，選擇對分類有貢獻(xiàn)的