集成学习算法的研究与应用

集成学习算法的思想就是集成多个学习器,并组合它们的预测结果,以形成最终的结论。典型的学习模型组合方法有投票法,专家混合方法,堆叠泛化法与级联法,但这些方法的性能都有待进一步提高。提出了一种新颖的集成学习算法--增强的集成学习算法(ReinforcedEnsemble)。ReinforcedEnsemble集成算法由两大部分组成:ReinforcedEnsemble特征提取算法与ReinforcedEnsemble基分类器。通过实验,将ReinforcedEnsemble算法与其他集成学习算法进行了性能比较。实验结果表明,所提出的算法在多项指标上均达到最优。

可信网络连接中的可信度仿真评估

可信网络连接(TNC)是对可信平台应用的扩展,也是可信计算机制与网络接入控制机制的结合。针对当前TNC研究中缺乏对网络连接进行定量评估的问题,提出了一种网络连接可信度仿真评估方法。该方法根据网络连接属性与评估值之间存在的非线性映射关系,利用BP网络模型及LM优化算法对网络连接可信度进行评估。仿真结果表明该方法具有较好的预测评估准确率。

决策树入侵检测模型中基于改进PIO的特征选择算法

在基于决策树的入侵检测模型中,入侵检测数据集中冗余和不相关的特征字段影响分类器的性能,存在训练效率低下的问题。提出一种改进的鸽子启发优化(pigeon-inspired optimization,PIO)算法(称为Jaccardcrossover PIO,JCPIO)来优化减少入侵检测数据集的特征字段。JCPIO使用PIO算法实现特征字段的选择优化,其中,通过Jaccard相似度定义鸽子速度,对鸽子个体进行离散二值化,通过在landmark算子操作中引入交叉操作,增加解空间的多样性,找到全局最优解。实验结果表明,JCPIO在保证入侵检测模型准确性的前提下,将原始数据集中的数据量减少了82.9%,增加了模型的训练效率;与传统的特征选择算法相比,识别模型的准确率提高了2.6%~5.5%,误报率降低了6.43%~14.33%。

基于卷积神经网络的入侵检测研究

传统机器学习方法在面对庞大、多维的网上数据时,无法满足入侵检测的准确性和实时性的要求,而大规模的数据刚好为深度学习提供了训练数据,深度学习可以直接从数据中获取高级特征.为此,本文提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的入侵检测方法,首先通过数据的预处理去除了5个对结果影响较小的特征,使得预处理结束后数据集的维度刚好满足卷积神经网络的输入要求,然后通过遗传算法(Genetic Algorithm,GA)对卷积神经网络的权值进行优化,解决了参数调优难的问题.将训练好的模型在KDDCUP99数据集上进行验证,实验结果表明本模型的收敛速度较快,准确率高于98.5%,有重要的研究价值.