基于分類優(yōu)化算法的集成入侵檢測器設(shè)計與實現(xiàn).pdf

1、隨著計算機技術(shù)的快速發(fā)展及其在鐵路信號系統(tǒng)應(yīng)用，系統(tǒng)變得日益智能化，其自身不安全性也為惡意攻擊者提供了入侵鐵路信號系統(tǒng)的機會，有可能造成不良后果和不可估量的經(jīng)濟損失，因此急需在系統(tǒng)中引入入侵檢測技術(shù)。本文以提高入侵檢測系統(tǒng)的檢測準確率為目標，針對檢測數(shù)據(jù)的高維性和入侵檢測的分類本質(zhì)，研究了特征降維技術(shù)和入侵分類算法，設(shè)計了一個入侵檢測集成模型。主要包括以下內(nèi)容:
　　(1)數(shù)據(jù)樣本集的高維特性使得入侵檢測算法承受較高的計算量。本文

2、設(shè)計了基于信息增益和主成分分析的兩階段特征降維方法來減少數(shù)據(jù)的特征維數(shù)。在第一階段，采用信息增益算法將數(shù)據(jù)的特征按重要性進行降序排序，引入K近鄰算法作為評價函數(shù)選擇最優(yōu)的特征子集，去掉無關(guān)特征，在第二階段，利用主成分分析方法對特征子集再次降維，消除特征之間的相關(guān)性，最后得到的新特征作為入侵檢測方法的實驗數(shù)據(jù)特征。
　　(2)針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)存在經(jīng)常性陷入局部最優(yōu)，導(dǎo)致分類效果不理想的問題，本文使用粒子群優(yōu)化算法(PSO)對BP

3、神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進行優(yōu)化;為了避免過度擬合，提高對未知數(shù)據(jù)的分類精度，用C4.5算法建立分類器時，選擇悲觀誤差剪枝算法對生成的決策樹進行剪枝。基于這兩種優(yōu)化算法構(gòu)建入侵檢測模型，在KDD CUP99數(shù)據(jù)集上的實驗表明，與經(jīng)典BP神經(jīng)網(wǎng)絡(luò)相比，本文提出的PSO-BP神經(jīng)網(wǎng)絡(luò)模型能有效的提高入侵檢測的分類準確性。
　　(3)為進一步提高入侵檢測系統(tǒng)的檢測精度和降低漏報率，本文綜合不同分類器的優(yōu)勢設(shè)計了一種集成入侵檢測器。首先使