版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著互聯(lián)網(wǎng)的普及,互聯(lián)網(wǎng)安全問(wèn)題顯得越來(lái)越突出。如何及時(shí)發(fā)現(xiàn)、識(shí)別各種網(wǎng)絡(luò)威脅并保證系統(tǒng)安全運(yùn)行已經(jīng)成為當(dāng)前研究的關(guān)注點(diǎn)之一。入侵檢測(cè)系統(tǒng)(Intrusion Detection System,IDS)在保護(hù)網(wǎng)絡(luò)安全的過(guò)程中發(fā)揮著重要的作用。而基于機(jī)器學(xué)習(xí)的入侵檢測(cè)模型具有智能化、自動(dòng)化的優(yōu)勢(shì),是入侵檢測(cè)技術(shù)的研究方向。
針對(duì)現(xiàn)在互聯(lián)網(wǎng)的現(xiàn)狀,以及現(xiàn)存的用于入侵檢測(cè)系統(tǒng)的機(jī)器學(xué)習(xí)方法需要大量有標(biāo)記數(shù)據(jù),無(wú)法利用低成本的無(wú)標(biāo)記數(shù)
2、據(jù)的特點(diǎn),本文將流形正則化超限學(xué)習(xí)機(jī)算法引入入侵檢測(cè)領(lǐng)域,探索并驗(yàn)證該方法用于入侵檢測(cè)系統(tǒng)中的有效性和可行性,并進(jìn)一步研究無(wú)標(biāo)記數(shù)據(jù)數(shù)量對(duì)所建模型的影響,以及不同核函數(shù)對(duì)所建模型的影響,為將來(lái)將流形正則化方法用于入侵檢測(cè)提供一些基礎(chǔ)。實(shí)驗(yàn)結(jié)果表明,該入侵檢測(cè)模型能夠利用無(wú)標(biāo)記數(shù)據(jù)提高模型檢測(cè)準(zhǔn)確率,同時(shí)無(wú)標(biāo)記數(shù)據(jù)并不是越多越好,基于Sigmoid和Hardlim核函數(shù)的該入侵檢測(cè)模型的效果比基于Sine、Tribas、Radbas核函數(shù)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于超限學(xué)習(xí)機(jī)的幾種增量算法研究.pdf
- 基于超限學(xué)習(xí)機(jī)的手勢(shì)識(shí)別方法研究.pdf
- 超限學(xué)習(xí)機(jī)的優(yōu)化改進(jìn)及應(yīng)用研究.pdf
- 基于正則極限學(xué)習(xí)機(jī)的冠字號(hào)碼識(shí)別算法研究.pdf
- 基于流形正則化SVM的圖像顯著性檢測(cè).pdf
- 基于稀疏貝葉斯的半監(jiān)督超限學(xué)習(xí)機(jī)分類(lèi)算法研究.pdf
- 基于多核共空間模式的超限學(xué)習(xí)機(jī)聚類(lèi)診斷方法研究.pdf
- 基于稀疏表示和超限學(xué)習(xí)機(jī)的智能地標(biāo)識(shí)別算法.pdf
- 基于流形學(xué)習(xí)的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)入侵檢測(cè)方法研究.pdf
- 基于遺傳算法和卷積神經(jīng)網(wǎng)絡(luò)的正則極速學(xué)習(xí)機(jī)研究
- 基于流形學(xué)習(xí)和參數(shù)優(yōu)化的SVM入侵檢測(cè)算法.pdf
- 基于聚類(lèi)與流形正則化的分類(lèi)方法研究.pdf
- 基于深度學(xué)習(xí)的極限學(xué)習(xí)機(jī)算法研究.pdf
- 具有學(xué)習(xí)機(jī)制的分布式入侵檢測(cè)系統(tǒng)研究.pdf
- 寬線(xiàn)性復(fù)值超限學(xué)習(xí)機(jī)的模型設(shè)計(jì)與性能分析.pdf
- 基于集成學(xué)習(xí)的極限學(xué)習(xí)機(jī)的算法研究.pdf
- 基于支持向量機(jī)與主動(dòng)學(xué)習(xí)的入侵檢測(cè).pdf
- 基于極限學(xué)習(xí)機(jī)的圖像標(biāo)注研究.pdf
- 基于極端學(xué)習(xí)機(jī)的分類(lèi)方法研究.pdf
- 基于穩(wěn)健估計(jì)的極限學(xué)習(xí)機(jī)方法研究.pdf
評(píng)論
0/150
提交評(píng)論