基于约简支持向量机的快速入侵检测算法

doi:10.3969/j.issn.1000-565X.2011.02.018

华南理工大学学报（自然科学版） ›› 2011, Vol. 39 ›› Issue (2): 108-112,124.doi: 10.3969/j.issn.1000-565X.2011.02.018

基于约简支持向量机的快速入侵检测算法

张雪芹¹ 顾春华¹ 吴吉义²

1．华东理工大学信息科学与工程学院，上海 200237；2．杭州师范大学电子商务与信息安全重点实验室，浙江杭州 310036

收稿日期:2010-04-28 修回日期:2010-09-05 出版日期:2011-02-25 发布日期:2011-01-02
通信作者: 张雪芹(1972-)，女，副教授，博士，主要从事信息安全研究 E-mail:zxq@ecust.edu.cn
作者简介:张雪芹(1972-)，女，副教授，博士，主要从事信息安全研究
基金资助:
国家自然科学基金资助项目(60773094)；杭州市电子商务与信息安全重点实验室开放课题项目(HZEB201009)

A Reduced SVM-based Fast Intrusion Detection Model

Zhang Xue-qin¹ Gu Chun-hua¹ Wu Ji-yi²

1. East China university of science and technology information science and engineering institute, Shanghai 200237; 2. Hangzhou normal university electronic business and information security key laboratory, zhejiang hangzhou 310036

Received:2010-04-28 Revised:2010-09-05 Online:2011-02-25 Published:2011-01-02
Contact: 张雪芹(1972-)，女，副教授，博士，主要从事信息安全研究 E-mail:zxq@ecust.edu.cn
About author:张雪芹(1972-)，女，副教授，博士，主要从事信息安全研究
Supported by:
国家自然科学基金资助项目(60773094)；杭州市电子商务与信息安全重点实验室开放课题项目(HZEB201009)

摘要/Abstract

摘要： 标准支持向量机（SVM）算法受时间和空间复杂度约束,无法有效地处理大规模网络入侵检测问题.文中基于SVM的几何解释,提出了一种基于并行凸包分解计算和支持向量机的入侵检测分类算法（PCH-SVM）.该算法借助凸包的分解和并行计算快速提取训练样本空间几何凸包的顶点,构建约简SVM训练样本集.实验结果表明,该算法可以在不造成精度损失的前提下,降低SVM训练的时空复杂度,加速入侵检测分类器的建模和检测.

关键词: 入侵检测, 支持向量机, 样本选择, 凸包

Abstract:

Owing to the constraints of time and space complexity,the standard SVM（Support Vector Machine） algorithm cannot effectively deal with large-scale network intrusion detection.In order to solve this problem and in view of the geometric interpretation of SVM,an intrusion detection classification algorithm named PCH-SVM is proposed based on the parallel convex hull decomposition and the SVM.With the help of convex hull decomposition and parallel computing,this algorithm can fast extract the vertices of convex hull of the original training samples to build a reduced SVM training set.Experimental results show that the proposed algorithm can effectively reduce the time and space complexity during SVM training,and speeds up the modeling and detection of intrusion detection classifier without any accuracy loss.

Key words: Intrusion Detection, Support Vector Machine, Sample Selection, Convex Hull

张雪芹顾春华吴吉义. 基于约简支持向量机的快速入侵检测算法[J]. 华南理工大学学报（自然科学版）, 2011, 39(2): 108-112,124.

Zhang Xue-qin Gu Chun-hua Wu Ji-yi. A Reduced SVM-based Fast Intrusion Detection Model[J]. Journal of South China University of Technology (Natural Science Edition), 2011, 39(2): 108-112,124.

[1]	马新露, 樊博, 陈诗敖, 等. 基于实时交通流的事故风险评估与分析模型[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 19-25,34.
[2]	赵静, 王选仓, 樊振阳, 等. 基于支持向量机的沥青路面性能评价[J]. 华南理工大学学报（自然科学版）, 2020, 48(9): 116-123.
[3]	李巨虎范睿先陈志泊. 基于颜色和纹理特征的森林火灾图像识别[J]. 华南理工大学学报（自然科学版）, 2020, 48(1): 70-83.
[4]	杨晓伟黄滢婷. 基于多特征融合的实时单目标追踪算法[J]. 华南理工大学学报（自然科学版）, 2019, 47(6): 1-9.
[5]	田联房吴啟超杜启亮黄理广李淼张大明. 基于人体骨架序列的手扶电梯乘客异常行为识别[J]. 华南理工大学学报（自然科学版）, 2019, 47(4): 10-19.
[6]	牛海清吴炬卓郭少锋. 奇异值分解在电缆局部放电信号模式识别中的应用[J]. 华南理工大学学报（自然科学版）, 2018, 46(1): 26-32.
[7]	王加朋胡跃明罗家祥. 一种基于 ICDF 的支持向量机参数快速优化方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(7): 135-142.
[8]	陈俊颖周顺风闵华清. 用于垃圾邮件识别的“词频－筛”混合特征选择方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(3): 82-88.
[9]	叶国强李伟光万好. 结合学习特征的图像矩视觉伺服方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(2): 99-107.
[10]	牛海清叶开发许佳吴炬卓罗健斌陆国俊. 基于粒子群优化支持向量机的电缆温度计算[J]. 华南理工大学学报（自然科学版）, 2016, 44(4): 77-83.
[11]	曲杰张国杰徐小琴. 轮毂轴承单元轴铆合装配的铆头优化设计[J]. 华南理工大学学报（自然科学版）, 2016, 44(2): 60-66,73.
[12]	刘晓峰张雪英 Zizhong John Wang. Logistic 核函数及其在语音识别中的应用[J]. 华南理工大学学报（自然科学版）, 2015, 43(5): 100-106.
[13]	胡庆辉丁立新刘晓刚李照奎. 基于原问题求解的非稀疏多核学习方法[J]. 华南理工大学学报（自然科学版）, 2015, 43(5): 78-85.
[14]	刘琼王国华申旻旻. 基于边缘分割的车载单目远红外行人检测方法[J]. 华南理工大学学报（自然科学版）, 2015, 43(1): 87-91,98.
[15]	王友卫刘元宁凤丽洲朱晓冬. 基于用户兴趣度的垃圾邮件在线识别新方法[J]. 华南理工大学学报（自然科学版）, 2014, 42(7): 21-27.

基于约简支持向量机的快速入侵检测算法

A Reduced SVM-based Fast Intrusion Detection Model

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价