AR-OSELM算法在网络入侵检测中的应用研究

摘要：

文章针对增量网络入侵数据属性冗余导致的传统学习算法效率低、检测精度差等问题,提出一种基于粗糙集属性约简的在线序贯极限学习机(AR-OSELM)方法.该方法首先对入侵数据采用粗糙集正域和分辨矩阵的方法获得属性核,筛选出无冗余属性的特征集合,然后使用在线序贯极限学习机作为分类算法进行分类.仿真实验结果表明,与BP、ELM及HELM神经网络算法相比,AR-OSELM算法对增量数据的学习和训练效率更高,入侵检测准确,误报率较低.算法有较好的泛化能力,为网络入侵检测提供了一种新的方法.

关键词：网络入侵检测、粗糙集、属性约简、在线序贯极限学习机

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金61472437;湖南省教育厅一般项目531120;湖南师大自然科学研究项目物 160432

在线出版日期：2018-12-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1-6