基于元优化的KNN入侵检测模型
为了改善基于K-近邻(K-nearest neighbor,KNN)入侵检测模型的性能,提出一种基于局部搜索算法的元优化特征权重KNN 入侵检测模型. 利用差分进化算法优化特征权重,采用基于局部单峰采样( local unimodal sampling, LUS)的元优化模型对差分进化算法进行优化. 应用NSL数据集进行仿真实验,将本优化模型和其他常用智能启发算法,包括遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization,PSO)算法和灰狼优化(grey wolf optimization,GWO)算法进行比较. 实验结果表明,与传统KNN算法模型相比,该模型的准确率提高了2. 86%,检测率提高了3. 18%,误报率降低了50%,而且基于元优化的优化策略优于其他常用优化算法.
K-近邻、差分进化、元优化、局部单峰采样、机器学习、入侵检测系统
46
U461;TP18(汽车工程)
廊坊市科学技术研究;发展计划自筹经费资助项目;中央高校基本科研业务费青年教师资助计划资助项目;国家自然科学基金资助项目
2020-01-18(万方平台首次上网日期,不代表论文的发表时间)
共9页
24-32