改进的KNN分类异常点检测方法

针对入侵检测中异常点误报率较高的问题,提出了改进KNN与异常点检测算法相结合来处理数据的方法,以降低入侵检测误报率。该方法首先采用卡方特征选择方法进行数据特征选择,其次采用孤立森林、距离、局部异常因子(IDL)结合查找出异常点,然后使用SMOTE平衡数据,使得所有的样本达到一个类平衡状态,再采用KNN分类。最后采用公开数据集NSL-KDD进行对于改进KNN异常点检测方法的有效性验证。实验结果表明,采用改进的KNN分类异常点检测方法进行检测,降低了误报率。

基于MI特征选择与KNN分类器相结合的入侵检测方法

针对入侵检测精度较低的问题,提出了一种改进相互信息特征选择与KNN分类器相结合的入侵检测方法,以提高入侵检测的精确性。该方法首先查找多个变量的信息,其次计算并比较相互信息特征子集值,然后根据子集信息值高低进行排序,提取信息值小的子集,最后采用KNN分类器进行分类,实验采用标准的NSL-KDD数据集进行检测。将实验结果与对比算法作比较,该方法有效提高了入侵检测的精度,降低了误报率,显著改善了F-score。

一种属性丢失值分块填补方法

丢失值填补在数据挖掘领域是非常重要的。针对数据集中出现属性丢失值的情况,本论述提出了一种属性丢失值分块填补(ABNS)的方法。首先对数据集进行标准化处理,然后将其数据分成相等的n个块,接着验证每一块来获取相对应的最优的K值,最后使用最优的K值进行数据填补来得到相应的数据。实验采用公开数据集Horse Colic、Vote和Diabetes进行实验,并且在使用贝叶斯、KNN和SMO算法进行分类评估的情况下,对所提出的方法与传统均值填补方法和概率填补方法进行对比。实验结果分析表明,所提方法的填补效果较对比的方法具有一定优势。