基于分類優(yōu)化算法的集成入侵檢測(cè)器設(shè)計(jì)與實(shí)現(xiàn).pdf

1、隨著計(jì)算機(jī)技術(shù)的快速發(fā)展及其在鐵路信號(hào)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(hào)系統(tǒng)的機(jī)會(huì)，有可能造成不良后果和不可估量的經(jīng)濟(jì)損失，因此急需在系統(tǒng)中引入入侵檢測(cè)技術(shù)。本文以提高入侵檢測(cè)系統(tǒng)的檢測(cè)準(zhǔn)確率為目標(biāo)，針對(duì)檢測(cè)數(shù)據(jù)的高維性和入侵檢測(cè)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(jì)了一個(gè)入侵檢測(cè)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(cè)算法承受較高的計(jì)算量。本文

2、設(shè)計(jì)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(jìn)行降序排序，引入K近鄰算法作為評(píng)價(jià)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(duì)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(cè)方法的實(shí)驗(yàn)數(shù)據(jù)特征。
　　(2)針對(duì)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(duì)BP

3、神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化;為了避免過度擬合，提高對(duì)未知數(shù)據(jù)的分類精度，用C4.5算法建立分類器時(shí)，選擇悲觀誤差剪枝算法對(duì)生成的決策樹進(jìn)行剪枝?；谶@兩種優(yōu)化算法構(gòu)建入侵檢測(cè)模型，在KDD CUP99數(shù)據(jù)集上的實(shí)驗(yàn)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(cè)的分類準(zhǔn)確性。
　　(3)為進(jìn)一步提高入侵檢測(cè)系統(tǒng)的檢測(cè)精度和降低漏報(bào)率，本文綜合不同分類器的優(yōu)勢(shì)設(shè)計(jì)了一種集成入侵檢測(cè)器。首先使