基于采样集成算法的入侵检测系统设计

TP309; 入侵检测系统作为防火墙之后的第二道防线已经在网络安全领域得到了广泛应用,基于机器学习的入侵检测系统因其优越的检测性能吸引了越来越多的关注.为了提高入侵检测系统在多类非平衡数据中的检测性能,文中提出基于采样集成算法(OSEC)的入侵检测系统.OSEC首先根据"一对多"原则将多类别检测问题转化为多个二分类问题,然后在每个二分类问题中根据AUC值选择最优的采样集成算法以缓解数据的非平衡问题,最后根据文中设计的类别判决模块判断待测样本的具体类别.在NSL-KDD数据集上进行仿真验证,发现本系统相较于传统方法在R2L,U2R上的F1得分分别提高了0.595和0.185;...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	计算机科学 2021, Vol.48 (z2), p.705-712
Hauptverfasser:	郇文明, 林海涛
Format:	Artikel
Sprache:	chi
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

container_end_page	712
container_issue	z2
container_start_page	705
container_title	计算机科学
container_volume	48
creator	郇文明林海涛
description	TP309; 入侵检测系统作为防火墙之后的第二道防线已经在网络安全领域得到了广泛应用,基于机器学习的入侵检测系统因其优越的检测性能吸引了越来越多的关注.为了提高入侵检测系统在多类非平衡数据中的检测性能,文中提出基于采样集成算法(OSEC)的入侵检测系统.OSEC首先根据"一对多"原则将多类别检测问题转化为多个二分类问题,然后在每个二分类问题中根据AUC值选择最优的采样集成算法以缓解数据的非平衡问题,最后根据文中设计的类别判决模块判断待测样本的具体类别.在NSL-KDD数据集上进行仿真验证,发现本系统相较于传统方法在R2L,U2R上的F1得分分别提高了0.595和0.185;对比最新的入侵检测系统,所提方法在整体检测准确率上提高了1.4％.
doi_str_mv	10.11896/jsjkx.201100101
format	Article
fullrecord	<record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_jsjkx2021z2119</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>jsjkx2021z2119</wanfj_id><sourcerecordid>jsjkx2021z2119</sourcerecordid><originalsourceid>FETCH-wanfang_journals_jsjkx2021z21193</originalsourceid><addsrcrecordid>eNpjYJAwNNAzNLSwNNPPKs7KrtAzMjA0NDAwNDBkYeAEMox0DY3NIzgYeIuLM5MMjIzNTIDQkJPB-On8XU929b1sb3-2YPvL2W3POiY8Xzf92eapz2e1PG1d-mTf1meLG55t7X6-effz3fNfrNv3Yt1CHgbWtMSc4lReKM3NoObmGuLsoVuemJeWmJcen5VfWpQHlIkHO8XIwMiwysjQ0NKYaIUAqXBPIg</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于采样集成算法的入侵检测系统设计</title><source>DOAJ Directory of Open Access Journals</source><creator>郇文明 ; 林海涛</creator><creatorcontrib>郇文明 ; 林海涛</creatorcontrib><description>TP309; 入侵检测系统作为防火墙之后的第二道防线已经在网络安全领域得到了广泛应用,基于机器学习的入侵检测系统因其优越的检测性能吸引了越来越多的关注.为了提高入侵检测系统在多类非平衡数据中的检测性能,文中提出基于采样集成算法(OSEC)的入侵检测系统.OSEC首先根据"一对多"原则将多类别检测问题转化为多个二分类问题,然后在每个二分类问题中根据AUC值选择最优的采样集成算法以缓解数据的非平衡问题,最后根据文中设计的类别判决模块判断待测样本的具体类别.在NSL-KDD数据集上进行仿真验证,发现本系统相较于传统方法在R2L,U2R上的F1得分分别提高了0.595和0.185;对比最新的入侵检测系统,所提方法在整体检测准确率上提高了1.4％.</description><identifier>ISSN: 1002-137X</identifier><identifier>DOI: 10.11896/jsjkx.201100101</identifier><language>chi</language><publisher>海军工程大学电子工程学院武汉 430000</publisher><ispartof>计算机科学, 2021, Vol.48 (z2), p.705-712</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/jsjkx/jsjkx.jpg</thumbnail><link.rule.ids>314,780,784,864,4024,27923,27924,27925</link.rule.ids></links><search><creatorcontrib>郇文明</creatorcontrib><creatorcontrib>林海涛</creatorcontrib><title>基于采样集成算法的入侵检测系统设计</title><title>计算机科学</title><description>TP309; 入侵检测系统作为防火墙之后的第二道防线已经在网络安全领域得到了广泛应用,基于机器学习的入侵检测系统因其优越的检测性能吸引了越来越多的关注.为了提高入侵检测系统在多类非平衡数据中的检测性能,文中提出基于采样集成算法(OSEC)的入侵检测系统.OSEC首先根据"一对多"原则将多类别检测问题转化为多个二分类问题,然后在每个二分类问题中根据AUC值选择最优的采样集成算法以缓解数据的非平衡问题,最后根据文中设计的类别判决模块判断待测样本的具体类别.在NSL-KDD数据集上进行仿真验证,发现本系统相较于传统方法在R2L,U2R上的F1得分分别提高了0.595和0.185;对比最新的入侵检测系统,所提方法在整体检测准确率上提高了1.4％.</description><issn>1002-137X</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2021</creationdate><recordtype>article</recordtype><recordid>eNpjYJAwNNAzNLSwNNPPKs7KrtAzMjA0NDAwNDBkYeAEMox0DY3NIzgYeIuLM5MMjIzNTIDQkJPB-On8XU929b1sb3-2YPvL2W3POiY8Xzf92eapz2e1PG1d-mTf1meLG55t7X6-effz3fNfrNv3Yt1CHgbWtMSc4lReKM3NoObmGuLsoVuemJeWmJcen5VfWpQHlIkHO8XIwMiwysjQ0NKYaIUAqXBPIg</recordid><startdate>2021</startdate><enddate>2021</enddate><creator>郇文明</creator><creator>林海涛</creator><general>海军工程大学电子工程学院武汉 430000</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2021</creationdate><title>基于采样集成算法的入侵检测系统设计</title><author>郇文明 ; 林海涛</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_jsjkx2021z21193</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2021</creationdate><toplevel>online_resources</toplevel><creatorcontrib>郇文明</creatorcontrib><creatorcontrib>林海涛</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>计算机科学</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>郇文明</au><au>林海涛</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于采样集成算法的入侵检测系统设计</atitle><jtitle>计算机科学</jtitle><date>2021</date><risdate>2021</risdate><volume>48</volume><issue>z2</issue><spage>705</spage><epage>712</epage><pages>705-712</pages><issn>1002-137X</issn><abstract>TP309; 入侵检测系统作为防火墙之后的第二道防线已经在网络安全领域得到了广泛应用,基于机器学习的入侵检测系统因其优越的检测性能吸引了越来越多的关注.为了提高入侵检测系统在多类非平衡数据中的检测性能,文中提出基于采样集成算法(OSEC)的入侵检测系统.OSEC首先根据"一对多"原则将多类别检测问题转化为多个二分类问题,然后在每个二分类问题中根据AUC值选择最优的采样集成算法以缓解数据的非平衡问题,最后根据文中设计的类别判决模块判断待测样本的具体类别.在NSL-KDD数据集上进行仿真验证,发现本系统相较于传统方法在R2L,U2R上的F1得分分别提高了0.595和0.185;对比最新的入侵检测系统,所提方法在整体检测准确率上提高了1.4％.</abstract><pub>海军工程大学电子工程学院武汉 430000</pub><doi>10.11896/jsjkx.201100101</doi></addata></record>
fulltext	fulltext
identifier	ISSN: 1002-137X
ispartof	计算机科学, 2021, Vol.48 (z2), p.705-712
issn	1002-137X
language	chi
recordid	cdi_wanfang_journals_jsjkx2021z2119
source	DOAJ Directory of Open Access Journals
title	基于采样集成算法的入侵检测系统设计
url	https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-04T20%3A57%3A53IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E9%87%87%E6%A0%B7%E9%9B%86%E6%88%90%E7%AE%97%E6%B3%95%E7%9A%84%E5%85%A5%E4%BE%B5%E6%A3%80%E6%B5%8B%E7%B3%BB%E7%BB%9F%E8%AE%BE%E8%AE%A1&rft.jtitle=%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A7%91%E5%AD%A6&rft.au=%E9%83%87%E6%96%87%E6%98%8E&rft.date=2021&rft.volume=48&rft.issue=z2&rft.spage=705&rft.epage=712&rft.pages=705-712&rft.issn=1002-137X&rft_id=info:doi/10.11896/jsjkx.201100101&rft_dat=%3Cwanfang_jour%3Ejsjkx2021z2119%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=jsjkx2021z2119&rfr_iscdi=true