基于LISOMAP的相关向量机入侵检测模型

被引：4
作者：
唐朝伟
李超群
燕凯
严鸣
机构：
[1] 重庆大学通信工程学院
来源：
计算机应用 | 2012年 / 32卷 / 09期
关键词：
入侵检测; 主成分分析; 支持向量机; 地标等距映射; 相关向量机; 深度优先搜索;
D O I：
暂无
中图分类号：
TP393.08 [];
学科分类号：
0839 ; 1402 ;
摘要：
针对现有入侵检测模型分类检测精度低、误报率高的问题,提出一种基于地标等距映射(LISOMAP)的相关向量机(RVM)入侵检测分类模型。首先采用LISOMAP对训练样本中的数据进行非线性降维,结合深度优先搜索(DFS)参数优化的RVM进行分类检测。结果表明,该模型与基于主成分分析(PCA)法的支持向量机(SVM)、基于LISOMAP的SVM模型相比,在保证一定检测率的情况下,误报率有了明显下降。
引用
收藏
页码：2606 / 2608
页数：3
相关论文
共 11 条
  • [1] 基于中间分类超平面的SVM入侵检测[J].牟琦,毕孝儒,龚尚福,厍向阳. 计算机工程.2011(16)
  • [2] 异常检测中支持向量机最优模型选择方法[J].张雪芹,顾春华,吴吉义. 电子科技大学学报.2011(04)
  • [3] 基于遗传相关向量机的图像分类技术[J].张昱,谢小鹏. 计算机仿真.2011(05)
  • [4] 结合SVM的交互式遗传算法在入侵检测中的应用[J].阚媛,刘以安,薛潇,魏敏. 计算机工程与应用.2010(29)
  • [5] 基于KCCA优化的网络入侵检测算法[J].钱鹏江,王士同,徐华,颜惠琴. 计算机工程.2009(23)
  • [6] 基于CEGA-SVM的网络入侵检测算法[J].赵军. 计算机工程.2009(23)
  • [7] 基于RBF核的SVM及RVM模式分析性能比较[J].李刚,邢书宝,薛惠锋. 计算机应用研究.2009(05)
  • [8] 采用FA和SVDFRM的SVM入侵检测分类模型[J].杨宏宇,李春林. 电子科技大学学报.2009(02)
  • [9] 一种高效的面向轻量级入侵检测系统的特征选择算法[J].陈友,沈华伟,李洋,程学旗. 计算机学报.2007(08)
  • [10] 基于PCA与ICA特征提取的入侵检测集成分类系统[J].谷雨,徐宗本,孙剑,郑锦辉. 计算机研究与发展.2006(04)
12