采用FA和SVDFRM的SVM入侵检测分类模型

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

采用FA和SVDFRM的SVM入侵检测分类模型

杨宏宇, 李春林

文章导航 > 电子科技大学学报 > 2009 > 38(2): 240-244

杨宏宇, 李春林. 采用FA和SVDFRM的SVM入侵检测分类模型[J]. 电子科技大学学报, 2009, 38(2): 240-244. doi: 10.3969/j.issn.1001-0548.2009.02.20

引用本文:

杨宏宇, 李春林. 采用FA和SVDFRM的SVM入侵检测分类模型[J]. 电子科技大学学报, 2009, 38(2): 240-244. doi: 10.3969/j.issn.1001-0548.2009.02.20

YANG Hong-yu, LI Chun-lin. SVM Intrusion Detection Classification Model with FA, SVDFRM[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(2): 240-244. doi: 10.3969/j.issn.1001-0548.2009.02.20

Citation:

YANG Hong-yu, LI Chun-lin. SVM Intrusion Detection Classification Model with FA, SVDFRM[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(2): 240-244. doi: 10.3969/j.issn.1001-0548.2009.02.20

采用FA和SVDFRM的SVM入侵检测分类模型

doi: 10.3969/j.issn.1001-0548.2009.02.20

1.
中国民航大学计算机科学与技术学院天津东丽区 300300

基金项目:

国家自然科学基金(60776807);国家863计划重点课题(2006AA12A106)

作者简介:
杨宏宇(1969-)，男，博士，教授，主要从事网络与信息安全方面的研究.

中图分类号: TP393.08

SVM Intrusion Detection Classification Model with FA, SVDFRM

1.
School of Computer Science,Civil Aviation University of China Dongli Tianjin 300300

摘要: 提出了一种新型网络入侵检测分类模型，设计了一个基于支持向量机(SVM)的分类器。采用因子分析法(FA)将行为样本的众多相关网络特征融合成精简的综合特征，实现了对网络监测数据的降维。利用支持向量决策函数排序法(SVDFRM)，通过支持决策向量函数得到网络行为的特征贡献率并提取网络行为的重要特征。KDD99数据集测试实验结果表明，提出的分类模型降维效果显著，具有较好的实时性和较高的检测率。
- 分类 /
- 因子分析法 /
- 网络入侵监测 /
- 支持向量决策函数排序法 /
- 支持向量机
Abstract: A new network intrusion detection classification model is presented, a support vector machine (SVM) based classifier is given. A factor analysis (FA) algorithm is utilized to fuse numerous related network behavior features into concise integrated features so as to reduce network data dimensions. A support vector decision function ranking method (SVDFRM) is used to calculate the contribution of network behaviors features,and then important network behaviors features are extracted. The experimental results demonstrate that this model has good dimension reduction performance, real time performance,and satisfied detection rate.
- classification /
- factor analysis /
- intrusion detection /
- support vector decision function ranking method /
- support vector machine

[1]	常文文, 聂文超, 袁月婷, 闫光辉, 杨志飞, 张冰涛, 张学军. 基于多层脑功能网络特征的动作意图识别 . 电子科技大学学报, 2023, 52(1): 14-22. doi: 10.12178/1001-0548.2022292
[2]	李大湘, 吴倩, 邱鑫, 刘颖. 基于空间稀疏编码的MIL算法及刑侦图像分类 . 电子科技大学学报, 2019, 48(1): 68-73. doi: 10.3969/j.issn.1001-0548.2019.01.012
[3]	韩嫚莉, 侯卫民, 孙靖国, 王明, 梅少辉. 基于PCA与协同表示的高光谱图像分类研究 . 电子科技大学学报, 2019, 48(1): 117-121. doi: 10.3969/j.issn.1001-0548.2019.01.019
[4]	戴晓爱, 郭守恒, 任淯, 杨晓霞, 刘汉湖. 基于堆栈式稀疏自编码器的高光谱影像分类 . 电子科技大学学报, 2016, 45(3): 382-386. doi: 10.3969/j.issn.1001-0548.2016.02.012
[5]	谭颖, 张涛, 谭睿, 沈小涛, 校景中. 基于小波变换与SVM的ADHD病人分类 . 电子科技大学学报, 2015, 44(5): 789-794. doi: 10.3969/j.issn.1001-0548.2015.05.025
[6]	张静, 刘忠宝. 基于流形判别分析的全局保序学习机 . 电子科技大学学报, 2015, 44(6): 911-916. doi: 10.3969/j.issn.1001-0548.2015.06.020
[7]	何海江. 截断误差的光滑型支持向量顺序回归 . 电子科技大学学报, 2014, 43(1): 131-136. doi: 10.3969/j.issn.1001-0548.2014.01.022
[8]	刘忠宝. 新型支持向量机在风速预测模型中的应用研究 . 电子科技大学学报, 2014, 43(5): 754-757. doi: 10.3969/j.issn.1001-0548.2014.05.021
[9]	丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述 . 电子科技大学学报, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001
[10]	张雪芹, 顾春华, 吴吉义. 异常检测中支持向量机最优模型选择方法 . 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017
[11]	何海江, 陈姝. 由排序支持向量机抽取博客文章的摘要 . 电子科技大学学报, 2010, 39(4): 593-597. doi: 10.3969/j.issn.1001-0548.2010.04.026
[12]	向国齐, 严志坚, 黄大贵. 支持向量机替代模型的遗传优化设计 . 电子科技大学学报, 2009, 38(3): 459-462. doi: 10.3969/j.issn.1001-0548.2009.03.034
[13]	唐艳, 柳建新, 龚安栋. ICA+CSSD的脑-机接口分类 . 电子科技大学学报, 2008, 37(3): 466-469.
[14]	胡丹, 肖建, 车畅. 再生核支持向量机在非线性系统中的应用 . 电子科技大学学报, 2008, 37(1): 124-127.
[15]	徐图, 罗瑜, 何大可. 多类支持向量机的DDoS攻击检测的方法 . 电子科技大学学报, 2008, 37(2): 274-277.
[16]	张赪, 蔡之华. 代价敏感的GEP分类算法实现 . 电子科技大学学报, 2007, 36(6): 1319-1321.
[17]	王勇, 许录平. 独立成分分析和支持向量机的虹膜识别方法 . 电子科技大学学报, 2007, 36(3): 583-586.
[18]	周鸣争, 汪军. 基于支持向量机的传感器非线性误差校正 . 电子科技大学学报, 2006, 35(2): 242-245.
[19]	刘碧森, 钟守铭. 基于RST和SVM的入侵检测系统 . 电子科技大学学报, 2005, 34(4): 533-536.
[20]	何军, 谭兴烈, 李新, 谢京涛, 周明天. 一种支持QoS的IPSec安全设备体系结构 . 电子科技大学学报, 2005, 34(1): 97-100.

WeChat

点击查看大图

计量

文章访问数: 4423
HTML全文浏览量: 127
PDF下载量: 40
被引次数: 0

采用FA和SVDFRM的SVM入侵检测分类模型

doi: 10.3969/j.issn.1001-0548.2009.02.20

1. 中国民航大学计算机科学与技术学院天津东丽区 300300

基金项目:

国家自然科学基金(60776807);国家863计划重点课题(2006AA12A106)

作者简介:
杨宏宇(1969-)，男，博士，教授，主要从事网络与信息安全方面的研究.

收稿日期: 2008-01-11
修回日期: 2008-10-20
刊出日期: 2009-04-15

中图分类号: TP393.08

关键词:

摘要: 提出了一种新型网络入侵检测分类模型，设计了一个基于支持向量机(SVM)的分类器。采用因子分析法(FA)将行为样本的众多相关网络特征融合成精简的综合特征，实现了对网络监测数据的降维。利用支持向量决策函数排序法(SVDFRM)，通过支持决策向量函数得到网络行为的特征贡献率并提取网络行为的重要特征。KDD99数据集测试实验结果表明，提出的分类模型降维效果显著，具有较好的实时性和较高的检测率。

English Abstract

杨宏宇, 李春林. 采用FA和SVDFRM的SVM入侵检测分类模型[J]. 电子科技大学学报, 2009, 38(2): 240-244. doi: 10.3969/j.issn.1001-0548.2009.02.20

引用本文:

杨宏宇, 李春林. 采用FA和SVDFRM的SVM入侵检测分类模型[J]. 电子科技大学学报, 2009, 38(2): 240-244. doi: 10.3969/j.issn.1001-0548.2009.02.20

YANG Hong-yu, LI Chun-lin. SVM Intrusion Detection Classification Model with FA, SVDFRM[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(2): 240-244. doi: 10.3969/j.issn.1001-0548.2009.02.20

Citation:

YANG Hong-yu, LI Chun-lin. SVM Intrusion Detection Classification Model with FA, SVDFRM[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(2): 240-244. doi: 10.3969/j.issn.1001-0548.2009.02.20

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发