基于平衡二叉决策树SVM算法的物联网安全研究

物联网是继计算机、互联网和移动通信之后的又一次信息产业革命。目前,物联网已经被正式列为国家重点发展的战略性新兴产业之一,其应用范围几乎覆盖了各行各业。物联网中存在的网络入侵等安全问题日趋突出,在大数据背景下,文章提出一种适用于物联网环境的入侵检测模型。该模型把物联网中的入侵检测分为数据预处理、特征提取和数据分类3部分。数据预处理主要解决数据的归一化和冗余数据等问题;特征提取的主要目标是降维,以减少数据分类的时间;数据分类中引入平衡二叉决策树支持向量机(SVM)多分类算法,选用BDTSVM算法对网络入侵数据进行训练和检测。实验表明,选用BDT-SVM多分类算法可以提高入侵检测系统的精度;通过特征提取,在保证精度的前提下,减少了检测时间。

改进的基于平衡二叉决策树的SVM多分类算法

基于平衡二叉决策树的支持向量机多分类算法的难点在于构造一棵有效的平衡二叉决策树.为构造有效的平衡二叉决策树,提出一种新的类间距离度量方案,进一步,引入类间可分性以及分离因子的概念,构建了一种新的建树方案,该建树方案从包含所有类的类簇中逐步分离出分离因子最大的类到另外一个类簇,最终形成两个类别数相等的类簇,接着分别递归分解各个类簇,直到各类簇的类别数为1.对照实验表明在训练时间以及识别时间复杂度保持不变的情况下,采用该改进建树方案可有效地提高SVM多分类的识别准确率.

物联网安全检测的平衡二叉决策树SVM算法

研究针对当前物联网网络入侵等安全问题,提出了平衡二叉决策树SVM算法,涵盖数据预处理、特征提取及数据分类3个环节,实践证明该算法能够对入侵检测系统精度起到提升作用,与此同时能够缩短检测时间,具有一定的实用价值。

一种基于规则分解映射的防火墙规则匹配算法

并行树搜索(PTS)算法是报文分类领域中较为优秀的算法之一,但它需要构建大量的external nodes,且只支持以前缀形式表示的规则,因此其匹配效率及适用范围都受到了很大的影响。针对这一问题,提出一种基于规则分解映射的规则匹配算法RMBRDM。RMBRDM算法首先按照启发式方法选取标准维;然后根据规则分解映射和标准维对相关规则进行分解;最后建立一棵二叉决策树。理论分析和仿真实验均表明,RMBRDM算法不仅支持以范围形式表示的规则,且时空性能优于PTS算法。