基于增量式学习的网络攻击检测数学建模仿真

针对现有网络攻击检测数学模型,存在网络攻击检测率较低、网络攻击误报率较高、检测时效性较差等问题,构建一种基于增量式学习的网络攻击检测数学模型。首先利用拓扑几何学原理构建一个网络信息之间的拓扑结构关系,再利用该关系进行网络信息去噪,去噪后对数据做零均值化处理和对时间序列进行拟合。最后利用拟合得到的时间序列进行网络攻击判定实现检测,在此基础上利用增量式学习算法对网络信息数据做归一化处理,构建一个自回归数学模型,根据上述数学模型检测网络攻击。实验结果表明,所构建网络攻击检测数学模型具有高检测率、低误报率、高时效性的特点。

基于Rough集的增长的不相容决策表学习算法研究

Rough set理论所作的知识约简 ,主要是属性约简。但是 ,对一个增长的决策表 ,因为新加入的决策规则可能会与原有决策规则不相容 ,这样新加入一条决策规则后的知识约简可以看成是对一个增长的不相容决策表的增量式学习。