异常检测中支持向量机最优模型选择方法

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

异常检测中支持向量机最优模型选择方法

张雪芹, 顾春华, 吴吉义

文章导航 > 电子科技大学学报 > 2011 > 40(4): 559-563

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[J]. 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017

引用本文:

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[J]. 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017

ZHANG Xue-qin, GU Chun-hua, Wu Ji-yi. Support Vector Machine Based Optimal Model Selection Method in Anomaly Detection[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017

Citation:

ZHANG Xue-qin, GU Chun-hua, Wu Ji-yi. Support Vector Machine Based Optimal Model Selection Method in Anomaly Detection[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017

异常检测中支持向量机最优模型选择方法

doi: 10.3969/j.issn.1001-0548.2011.04.017

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

基金项目:

国家自然科学基金(60773094)

作者简介:
张雪芹(1972-)，女，博士，副教授，主要从事信息安全、模式识别方面的研究.

中图分类号: TP393.08

Support Vector Machine Based Optimal Model Selection Method in Anomaly Detection

1.
School of Information Science and Engineering,East China University of Science and Technology Xuhui Shanghai 200237;
2.
Hangzhou Key Lab of E-Business and Information Security,Hangzhou Normal University Hangzhou 310036

摘要: 为了构建一个具有良好的学习性能和推广能力的异常检测分类器，在结构风险最小(SRM)原则下讨论了基于支持向量机(SVM)的异常检测分类器的设计准则，提出了SVM分类器模型及其参数快速选择和评估方法，并给出了异常检测分类器训练步骤。针对KDD’99网络入侵检测数据集，实验结果表明，该方法能够有效地缩短入侵检测分类模型建立时间，而且建立的入侵检测分类器检测精度较高。
- 异常检测 /
- 模型选择 /
- 参数估计 /
- 结构风险 /
- 支持向量机
Abstract: In order to construct an anomaly detection classifier which has good learning and generalization ability, under the structural risk minimization (SRM) principle，the design rules of a support vector machines (SVMs) based anomaly detection classifier is discussed. The model and its parameters selection and estimation method of a SVM classifier are proposed. The training steps of a SVM anomaly detection classifier are given. Experiments on KDD’99 network intrusion detection dataset indicate that the proposed methods can speed up the process of constructing an intrusion detection classifier and the classification accuracy is higher.
- intrusion detection /
- model selection /
- parameters estimation /
- structure risk /
- support vector machines

[1]	伍凌川, 史慧芳, 邱枫, 石义官. 基于近似存在性查询的高效图像异常检测方法 . 电子科技大学学报, 2024, 53(): 1-8. doi: 10.12178/1001-0548.2024032
[2]	邹宜金, 连应华, 黄新宇, 刘培, 王颖蕊. 基于声纹的高泛化性风机叶片异常检测方法研究 . 电子科技大学学报, 2021, 50(5): 795-800. doi: 10.12178/1001-0548.2021080
[3]	吴佳, 陈森朋, 陈修云, 周瑞. 基于强化学习的模型选择和超参数优化 . 电子科技大学学报, 2020, 49(2): 255-261. doi: 10.12178/1001-0548.2018279
[4]	闫海, 李龙, 李国辉, 曹原, 董啸虎. 基于相位分析CAPES的信号参数估计方法 . 电子科技大学学报, 2016, 45(3): 332-336. doi: 10.3969/j.issn.1001-0548.2016.02.003
[5]	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
[6]	夏猛, 杨小牛. 基于三次相位补偿的运动目标参数估计 . 电子科技大学学报, 2013, 42(4): 559-564. doi: 10.3969/j.issn.1001-0548.2013.04.006
[7]	王江峰, 张茂军, 包卫东, 熊智辉, 张铁林. 使用轨迹片段分析的监控场景模型建立方法 . 电子科技大学学报, 2012, 41(4): 541-544. doi: 10.3969/j.issn.1001-0548.2012.04.012
[8]	颜伟, 项凤雏, 卢建刚, 余娟, 赵霞. 考虑单位长度参数变量的线路参数估计方法 . 电子科技大学学报, 2011, 40(5): 720-725. doi: 10.3969/j.issn.1001-0548.2011.05.017
[9]	阳小龙, 张敏, 胡武生, 徐杰, 隆克平. 基于尖点突变模型的IP网络异常行为检测方法 . 电子科技大学学报, 2011, 40(6): 892-897. doi: 10.3969/j.issn.1001-0548.2011.06.017
[10]	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
[11]	杨宏宇, 李春林. 采用FA和SVDFRM的SVM入侵检测分类模型 . 电子科技大学学报, 2009, 38(2): 240-244. doi: 10.3969/j.issn.1001-0548.2009.02.20
[12]	杨宏宇, 朱丹, 谢丰, 谢丽霞. 入侵异常检测研究综述 . 电子科技大学学报, 2009, 38(5): 587-596. doi: 10.3969/j.issn.1001-0548.2009.05.014
[13]	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
[14]	凌丹, 黄洪钟, 张小玲, 蒋工亮. 混合威布尔分布参数估计的L-M算法 . 电子科技大学学报, 2008, 37(4): 634-636,640.
[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]	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.
[17]	王璞, 杨建宇, 杜雨洺. 分数阶自相关和FrFT的LFM信号参数估计 . 电子科技大学学报, 2006, 35(2): 179-182.
[18]	彭涛, 唐斌. 一种分布式信号源的参数估计算法 . 电子科技大学学报, 2005, 34(5): 611-613,664.
[19]	张衡, 张毓森. 一种基于LSM的数据源在异常检测中的应用 . 电子科技大学学报, 2004, 33(4): 403-406.
[20]	杜东平, 唐斌. 基于FrFT和子空间正交的LFM信号参数估计 . 电子科技大学学报, 2004, 33(3): 247-249.

WeChat

点击查看大图

计量

文章访问数: 3473
HTML全文浏览量: 140
PDF下载量: 77
被引次数: 0

异常检测中支持向量机最优模型选择方法

doi: 10.3969/j.issn.1001-0548.2011.04.017

1. 华东理工大学信息科学与工程学院上海徐汇区 200237;

2. 杭州师范大学电子商务与信息安全重点实验室杭州 310036

基金项目:

国家自然科学基金(60773094)

作者简介:
张雪芹(1972-)，女，博士，副教授，主要从事信息安全、模式识别方面的研究.

收稿日期: 2009-12-04
修回日期: 2010-09-05
刊出日期: 2011-08-15

中图分类号: TP393.08

关键词:

摘要: 为了构建一个具有良好的学习性能和推广能力的异常检测分类器，在结构风险最小(SRM)原则下讨论了基于支持向量机(SVM)的异常检测分类器的设计准则，提出了SVM分类器模型及其参数快速选择和评估方法，并给出了异常检测分类器训练步骤。针对KDD’99网络入侵检测数据集，实验结果表明，该方法能够有效地缩短入侵检测分类模型建立时间，而且建立的入侵检测分类器检测精度较高。

English Abstract

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[J]. 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017

引用本文:

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[J]. 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017

ZHANG Xue-qin, GU Chun-hua, Wu Ji-yi. Support Vector Machine Based Optimal Model Selection Method in Anomaly Detection[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017

Citation:

ZHANG Xue-qin, GU Chun-hua, Wu Ji-yi. Support Vector Machine Based Optimal Model Selection Method in Anomaly Detection[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017

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