計算智能分類方法及其在入侵檢測中的應用研究.pdf

1、分類,顧名思義是將無規(guī)律的事物分為有規(guī)律,它是當今信息處理、數(shù)據(jù)挖掘和知識發(fā)現(xiàn)等諸多領域中的一項重要任務。隨著信息技術的迅猛發(fā)展以及信息量呈指數(shù)形式增長,常用的分類方法凸顯出不足,而智能分類法得到廣泛應用和重視,特別是計算智能分類方法的研究具有重要的理論意義和應用價值。
　　入侵檢測是對入侵行為的檢測,主要區(qū)分正常網(wǎng)絡行為和異常入侵行為及其類型,在實際檢測中是一個多分類問題,而采用計算智能分類法無疑能夠大大提高入侵檢測的效果。為此

2、,本論文針對計算智能分類方法及其在入侵檢測中的應用進行研究,其主要工作或創(chuàng)新如下:
　　(1)為了解決粒子群(PSO)算法存在過早收斂、陷入局部極小等問題,研究了基于云模型的粒子群(CPSO)算法,主要采用云模型動態(tài)確定慣性權重,可以取得較快的優(yōu)化速度且能避免陷入局部極小,經(jīng)經(jīng)典優(yōu)化函數(shù)測試,結果表明CPSO算法優(yōu)于PSO算法和蟻群(ACO)算法。進而研究了基于CPSO的神經(jīng)網(wǎng)絡分類方法,可以克服神經(jīng)網(wǎng)絡分類精度較低的缺點。仿真實

3、驗表明其分類方法在分類精度上得到較大提高。
　　(2)基于統(tǒng)計學習理論的支持向量機(SVM)在分類上具有獨特的優(yōu)勢,為了解決支持向量機(SVM)模型中懲罰參數(shù)和核參數(shù)憑經(jīng)驗選取或試驗法的選取問題,運用云模型能提高優(yōu)化策略、加快收斂速度等優(yōu)點,研究基于云PSO的SVM分類方法(CPSO-SVM),即采用云PSO算法優(yōu)化SVM模型及其參數(shù)。實驗表明CPSO-SVM分類方法在入侵檢測中,其檢測精度高于經(jīng)典SVM和基于PSO的SVM方法(

4、PSO-SVM)。
　　(3)基于稀疏貝葉斯框架下的相關向量機(RVM)具有計算量少、分類精度高等優(yōu)點,但也存在模型參數(shù)的優(yōu)化問題。為此,研究了基于云PSO的RVM分類方法(CPSO-RVM),即采用云PSO算法優(yōu)化RVM模型及其核函數(shù)寬度參數(shù)。通過典型實驗和KDDCup99數(shù)據(jù)庫入侵檢測資料的多分類問題的實際檢測,結果表明:與PSO-RVM、PSO-SVM和CPSO-SVM等多種分類方法相比,CPSO-RVM分類方法的檢測精度最