东篱科研大数据发现系统（DRDS）

位置：成果数据库 > 期刊 > 期刊详情页

构造稀疏最小二乘支持向量机的网络入侵检测模型

期刊名称：华东理工大学学报(自然科学版)
时间：0
页码：662-665
语言：中文
分类：TP18[自动化与计算机技术—控制科学与工程;自动化与计算机技术—控制理论与控制工程] TP393[自动化与计算机技术—计算机应用技术;自动化与计算机技术—计算机科学与技术]
作者机构：[1]华东理工大学信息科学与工程学院,上海200237, [2]桂林电子科技大学信息与通信学院,广西桂林541004
相关基金：国家自然科学基金项目（60543005,60674089）;教育部高校博士点基金项目（20040251010）;上海市重点学科建设项目（B504）;广西青年科学基金项目（桂科青0728091）.
相关项目：基于动态检测的人体电信号的分析和融合

关键词：最小二乘, 支持向量机, 稀疏性, 入侵检测, 低秩逼近, least squares, support vector machine, sparseness, intrusion detection, low rank approxima

中文摘要：

从最小二乘支持向量机的稀疏表达出发，构建高效的基于稀疏最小二乘支持向量机的网络入侵检测模型，提出了一种通过基于核空间近似策略的有效低秩逼近来有效减小原始训练样本集中的支持向量数来实现最终模型的稀疏表达。以MITKDD99数据集为基础，对所提出方法进行有效性验证，并与利用剪枝策略通过递归过程中不断减少模型中支持向量个数的稀疏化方法、基本最小二乘支持向量机以及标准支持向量机方法的性能进行对比。结果表明：基于核空间近似的最小二乘支持向量机稀疏化与标准最小二乘支持向量机相当；此外稀疏最小二乘支持向量机能够提高入侵检测响应速度。

英文摘要：

From the viewpoint of sparseness representation building of least squares support vetor machine（LSSVM）, a novel sparse LS-SVM is presented for the modeling of network intrusion detection. The proposed sparse LS-SVM may be constructed via two methods, i. e. , the iteration elimination according to the sorted value of model coefficients; the kernel space approximation method to construct the low rank subset approximation of training dataset that is applied for the training of LS-SVM to achieve sparse- ness and to improve the intrusion detection response speed. The proposed sparse LS-SVM is illustrated via MIT KDD 99 dataset and the results show that a better performance can be achieved in comparsion to LSSVM.

同期刊论文项目