入侵檢測(cè)中支持向量機(jī)參數(shù)選擇方法研究.pdf

1、隨著網(wǎng)絡(luò)的發(fā)展和普及，網(wǎng)絡(luò)信息安全越來(lái)越被人們關(guān)注。入侵檢測(cè)是網(wǎng)絡(luò)安全不可缺少的技術(shù)之一，已成為近年來(lái)網(wǎng)絡(luò)安全技術(shù)的新熱點(diǎn)。支持向量機(jī)(Support Vector Machine，SVM)是基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)方法，它能較好地解決小樣本、非線性、高維數(shù)等實(shí)際問(wèn)題。因此，將SVM應(yīng)用于入侵檢測(cè)中，可以獲得較好的檢測(cè)性能。
　　 論文對(duì)基于SVM的入侵檢測(cè)方法進(jìn)行了研究。為了設(shè)計(jì)出具有良好學(xué)習(xí)能力和推廣能力的SVM入侵檢測(cè)分類

2、器，針對(duì)入侵檢測(cè)中SVM參數(shù)選擇問(wèn)題，討論了SVM參數(shù)對(duì)其分類性能的影響以及基于SVM的入侵檢測(cè)分類器的設(shè)計(jì)準(zhǔn)則，提出一種入侵檢測(cè)中遞推式支持向量機(jī)參數(shù)選擇的方法。該方法首先確定參數(shù)區(qū)間，再尋找特定數(shù)據(jù)空間中懲罰因子和核參數(shù)的變化對(duì)分類性能的不同影響，分別使用不同的規(guī)則選擇這兩個(gè)參數(shù)。將該方法應(yīng)用于入侵檢測(cè)數(shù)據(jù)集KDDcup99中，與傳統(tǒng)的基于SVM的入侵檢測(cè)方法相比該方法具有較高的檢測(cè)率且訓(xùn)練模型的時(shí)間大大縮短。
　　 論文還