期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息

基于TSVM分类的网络入侵检测方法

Network Intrusion Detection Based on TSVM Classification Scheme
下载PDF
导出
摘要 网络入侵检测技术是入侵检测领域研究的热点内容,但仍然存在误报率较高、对建立检测模型的数据要求过高、在缺乏足够训练数据的"小样本"环境下检测性能明显下降等问题.基于TSVM分类机器学习算法,提出了一种有指导的网络入侵检测新方法,能够高效地检测网络入侵.通过基于著名的KDD Cup 1999数据集的实验,表明其相对于传统的入侵检测方法具有较高的检测率和较低的误报率;特别是在采用"小样本"训练集的情况下,其仍能保证较高的检测性能.
作者 李洋 方滨兴 郭莉
机构地区 中国科学院计算技术研究所 中国科学院研究生院
出处 《计算机研究与发展》 EI CSCD 北大核心 2007年第z2期198-202,共5页 Journal of Computer Research and Development
基金 国家自然科学基金项目(60573134) 国家"二四二"信息安全计划基金项目(2005C39)
关键词 网络安全 入侵检测 支持向量机 TSVM 分类学习 机器学习
分类号 TP309 [自动化与计算机技术—计算机系统结构]
  • 相关文献

参考文献11

二级参考文献42

  • 1[1]Vapnik V. The Nature of Statistical Learning Theory. New York: Springer-Verlag, 1995.
  • 2[2]Stitson MO, Weston JAE, Gammerman A, Vovk V, Vapnik V. Theory of support vector machines. Technical Report, CSD-TR-96-17, Computational Intelligence Group, Royal Holloway: University of London, 1996.
  • 3[3]Cortes C, Vapnik V. Support vector networks. Machine Learning, 1995,20:273～297.
  • 4[4]Vapnik V. Statistical Learning Theory. John Wiley and Sons, 1998.
  • 5[5]Gammerman A, Vapnik V, Vowk V. Learning by transduction. In: Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence. Wisconsin, 1998. 148～156.
  • 6[6]Joachims T. Transductive inference for text classification using support vector machines. In: Proceedings of the 16th International Conference on Machine Learning (ICML). San Francisco: Morgan Kaufmann Publishers, 1999. 200～209.
  • 7[7]Boser BE, Guyon IM, Vapnik VN. A training algorithm for optimal margin classifiers. In: Haussler D, ed. Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory. Pittsburgh, PA: ACM Press, 1992. 144～152.
  • 8[8]Burges CJC. Simplified support vector decision rules. In: Saitta L, ed. Proceedings of the 13th International Conference on Machine Learning. San Mateo, CA: Morgan Kaufmann Publishers, 1996. 71～77.
  • 9[9]Osuna E, Freund R, Girosi F. An improved training algorithm for support vector machines. In: Proceedings of the IEEE NNSP'97. Amelia Island, FL, 1997. 276～285.
  • 10[10]Joachims T. Making large-scale SVM learning practical. In: Scholkopf, Burges C, Smola A, eds. Advances in Kernel Methods--Support Vector Learning B. MIT Press, 1999.

共引文献264

计算机研究与发展
2007年 第z2期

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部