CN111553385B - 一种改进烟花算法结合svm的网络入侵检测方法 - Google Patents
一种改进烟花算法结合svm的网络入侵检测方法 Download PDFInfo
- Publication number
- CN111553385B CN111553385B CN202010264318.6A CN202010264318A CN111553385B CN 111553385 B CN111553385 B CN 111553385B CN 202010264318 A CN202010264318 A CN 202010264318A CN 111553385 B CN111553385 B CN 111553385B
- Authority
- CN
- China
- Prior art keywords
- firework
- fireworks
- svm
- algorithm
- combination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000012706 support-vector machine Methods 0.000 title abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000004880 explosion Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007123 defense Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于网络安全领域技术领域,具体涉及一种改进烟花算法结合SVM的网络入侵检测方法。本发明针对传统烟花算法中存在初始烟花分布的随机性大,容易导致部分烟花聚集在一个小范围内,从而造成重复计算,算法容易较早陷入局部最优解的问题。本发明对烟花算法的初始化方式进行了改进,根据适应度值和距离来综合筛选优质的N个烟花,使烟花分布更加均匀,避免较早陷入局部最优解。本发明能够有效的提升烟花算法寻找最优解的能力和搜索的效率。本发明将改进初始化方式的烟花算法用于确定SVM的参数(C,g)的最优组合,使得能够在相对较短的时间内获得入侵检测分类模型,本发明优化了SVM的参数(C,g)的最优组合确定较慢的问题。
Description
技术领域
本发明属于网络安全领域技术领域,具体涉及一种改进烟花算法结合SVM的网络入侵检测方法。
背景技术
随着网络在人们的生产生活中所占比重越来越高,网络攻击活动所带来的危害也日益严重,互联网的安全问题也引起人们逐渐增多的关注。
面对越来越紧迫的互联网安全问题,从各角度出发的防御手段也应运而生,截至目前,互联网安全产品已经覆盖入侵检测,用户权限鉴定,身份认证,防火墙等方面。尽管说防火墙、权限鉴定等传统静态防御手段针对性较强,能有效防止系统被非法入侵,但在新的互联网安全发展形势下,单单依赖原来静态的网络防御方法已经无法为人们提供足够的互联网安全需求,新形势下的互联网安全还需要对网络提供实时的监控,网络安全迈向静态安全技术与囊括网络入侵检测、主机漏洞扫描等动态安全技术相结合的模式是未来发展的重要方向。随着人工智能领域的发展,新的统计学习算法层出不穷,结合统计学习算法与入侵检测技术也是互联网安全领域的重要研究方向。但至今为止无论是各种统计学习方法或者入侵检测领域的研究都还不尽完善,尚存在较大的发展空间,因此,本发明在研究现有入侵检测技术的前提条件下,结合统计学习领域的烟花算法及支持向量机研究出一种更适合的入侵检测技术,有着重大的实际价值和理论意义。
发明内容
本发明的目的在于提供提高网络入侵检测准确率和时间效率的一种改进烟花算法结合SVM的网络入侵检测方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:输入待检测的数据集,进行初始化处理;所述的初始化处理包括字符型变量数值化,不同范围数据归一化以及利用灰度关联进行降维操作;将初始化处理后的输入数据集分为训练集和测试集
步骤2:随机将训练集中输入样本分成K等份;
步骤3:设置SVM的参数(C,g)组合的计算精度和寻优范围,设置IIFWA的迭代次数和迭代中用到的参数;对烟花算法进行初始化,烟花算法的解空间为二维平面,与SVM的参数(C,g)组合中的C和g分别对应;
步骤4:随机初始化2N个烟花,N为正整数,计算2N个烟花的适应度值,并对适应度值进行升序排序;
步骤5:取适应度值最优的烟花个体作为标定烟花xk,计算剩余2N-1个烟花和标定烟花的欧氏距离Lki并且进行升序排序,在排好序的距离Lki,i=1,2,…,2N-1中选取i下标为偶数的烟花个体作为初始化烟花;其中两个烟花之间的欧氏距离,由下式计算得出:
Lij=||xi-xj||
步骤6:利用每个烟花对应位置的参数组合作为SVM的参数(C,g)组合,利用K-折交叉验证法计算该参数组合下SVM的泛化能力,用泛化能力作为适应度值,根据适应度值计算每个烟花的爆炸半径和烟花数量;
步骤7:引爆烟花,根据爆炸强度和爆炸半径对烟花的每一维度进行位移变异,得到爆炸火花;
步骤8:产生G个高斯变异火花;
步骤9:从烟花、爆炸火花和高斯变异火花的并集中选择下一代烟花种群,下一代烟花种群中烟花个数和初始烟花个数保持一致;
步骤10:判断当前的迭代次数是否达到设定的烟花算法终止条件;若达到,输出烟花算法搜寻到的SVM的参数(C,g)组合;若未达到,则返回到步骤6继续进行迭代;
步骤11:将寻找到的SVM的参数(C,g)的最优组合带入到SVM模型当中,得到入侵检测模型;
步骤12:将待检测的数据集的测试集输入到入侵检测模型中,完成对网络入侵的检测。
本发明的有益效果在于:
本发明针对传统烟花算法中存在初始烟花分布的随机性大,容易导致部分烟花聚集在一个小范围内,从而造成重复计算,算法容易较早陷入局部最优解的问题。本发明对烟花算法的初始化方式进行了改进,根据适应度值和距离来综合筛选优质的N个烟花,使烟花分布更加均匀,避免较早陷入局部最优解。本发明能够有效的提升烟花算法寻找最优解的能力和搜索的效率。本发明将改进初始化方式的烟花算法用于确定SVM的参数(C,g)的最优组合,使得能够在相对较短的时间内获得入侵检测分类模型,本发明优化了SVM的参数(C,g)的最优组合确定较慢的问题。
附图说明
图1是本发明中改进烟花算法初始化方式的流程图。
图2是本发明中改进烟花算法优化SVM的流程图。
图3是基于改进烟花算法和SVM的入侵检测模型架构图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明提供一种改进初始化方式的烟花算法IIFWA,并与SVM结合提出一种网络入侵检测方法。传统烟花算法的初始烟花分布的随机性大,容易导致部分烟花聚集在一个小范围内,从而造成重复计算,算法容易较早陷入局部最优解。针对此问题,本发明对烟花算法的初始化方式进行了改进,根据适应度值和距离来综合筛选优质的N(N为正整数)个烟花,使烟花分布更加均匀,避免较早陷入局部最优解。本发明能够有效的提升烟花算法寻找最优解的能力和搜索的效率。
惩罚因子C和核函数参数g是SVM的两个重要参数,确定SVM的参数(C,g)的最优组合在目前尚且属于NP难题,现将改进初始化方式的烟花算法用于确定SVM的参数(C,g)的最优组合,使得能够在相对较短的时间内获得入侵检测分类模型,本发明优化了SVM的参数(C,g)的最优组合确定较慢的问题。
一种改进初始化方式的烟花算法IIFWA,并与SVM结合提出一种网络入侵检测方法,其特征所述方法包括以下内容:
(1)随机初始化2N(N为正整数)个烟花,然后通过适应度值以及烟花之间的距离选择出N(N为正整数)个较优的烟花作为初始化的烟花。
(2)将改进初始化方式的烟花算法用于确定SVM的参数(C,g)的最优组合。
(3)构建入侵检测模型
首先随机初始化2N(N为正整数)个烟花,然后计算2N个烟花的适应度值,并对适应度值进行升序排序。取适应度值最优的烟花个体作为标定烟花xk,计算剩余2N-1个烟花和标定烟花的欧氏距离Lki并且进行升序排序,在排好序的距离Lki,(i=1,2,…,2N-1)中选取i下标为偶数的烟花个体作为初始化烟花。
设置SVM的参数(C,g)组合的计算精度和寻优范围,设置IIFWA的迭代次数和迭代中用到的参数等,使用权利要求1中的(1)对烟花算法进行初始化,烟花算法的解空间为二维平面,与SVM的参数(C,g)组合中的C和g分别对应;利用每个烟花对应位置的参数组合作为SVM的参数(C,g)组合,利用K-折交叉验证法计算该参数组合下SVM的泛化能力,用泛化能力作为适应度值;达到烟花算法的迭代终止条件时输出SVM的参数(C,g)的最优组合。
入侵检测模型包括三个模块,各模块如下所述:
数据预处理模块对输入数据进行预处理后交给其他的模块,其过程包括字符样本数值化、归一化这些可以改变样本中数值的操作。
参数优化模块是利用改进初始化方式的烟花算法快速求得SVM的参数(C,g)的最优组合。
SVM模块首先在训练阶段给参数优化模块提供适应度函数参照,同时在入侵检测系统运行期间利用参数优化模块得出的最优参数组合作为自身参数进行入侵检测。
将本发明方法与现有基于经典机器学习算法SVM的入侵检测方法进行实验对比,实验采用KDDCUP99中10%数据集,实验结果表明本发明方法在检测的时间效率上和稳定性上都有较大优势。因此,本发明在网络入侵检测中具有更好的应用前景。
本方法的执行过程分为以下步骤:
1.首先随机初始化2N(N为正整数)个烟花,然后计算2N个烟花的适应度值,并对适应度值进行升序排序。
定义两个烟花之间的距离为烟花对应解的欧氏距离,由公式计算得出。
Lij=||xi-xj||
其中,Lij,(i,j=1,2,…,2N)表示第i个烟花xi和第j个烟花xj之间的距离。
取适应度值最优的烟花个体作为标定烟花xk,计算剩余2N-1个烟花和标定烟花的欧氏距离Lki并且进行升序排序,在排好序的距离Lki,(i=1,2,…,2N-1)中选取i下标为偶数的烟花个体作为初始化烟花。
2.运用提出的改进初始化方式的烟花算法加速确定SVM的参数(C,g)的最优组合:
(1)随机将输入样本分成K等份。
(2)设置SVM的参数(C,g)组合的计算精度和寻优范围,设置IIFWA的迭代次数和迭代中用到的参数等,同时对烟花算法进行初始化,烟花算法的解空间为二维平面,与SVM的参数(C,g)组合中的C和g分别对应;
(3)利用提出的新的初始化方式对烟花算法进行初始化得到初始烟花。
(4)利用每个烟花对应位置的参数组合作为SVM的参数(C,g)组合,利用K-折交叉验证法计算该参数组合下SVM的泛化能力,用泛化能力作为适应度值,根据适应度值计算每个烟花的爆炸半径和烟花数量;
(5)引爆烟花,根据爆炸强度和爆炸半径对烟花的每一维度进行位移变异,得到爆炸火花。
(6)产生G个高斯变异火花。
(7)从烟花,爆炸火花和高斯变异火花的并集中选择下一代烟花种群,个数和初始烟花个数保持一致。
(8)判断当前的迭代次数是否达到设定的烟花算法终止条件:若达到,输出烟花算法搜寻到的SVM的参数(C,g)组合;若未达到,算法回到(4)继续进行迭代。
3.构建入侵检测模型
(1)对输入样本进行初始化处理,包括字符型变量数值化,不同范围数据归一化以及利用灰度关联进行降维操作等,之后将处理后的输入数据集随机分为K等份;
(2)初始化寻优参数,将经过K-折交叉验证计算后得到的某(C,g)组合下SVM分类泛化能力作为IIFWA的适应度值,根据适应度值引爆烟花并计算爆炸强度和爆炸幅度,迭代直到达到终止条件。
(3)将寻找到的SVM的参数(C,g)的最优组合带入到SVM模型当中,得到预测模型;
(4)使用(3)得到的最优SVM模型对入侵样本进行预测。
经过上述3个步骤之后,就形成了基于改进初始化方式的烟花算法与SVM结合的网络入侵检测方法。本发明方法在入侵检测精度及时间效率方面,相比于传统的基于SVM的入侵检测方法,不仅具有较好的检测速度,而且提高了检测的准确性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种改进烟花算法结合SVM的网络入侵检测方法,其特征在于,包括以下步骤:
步骤1:输入待检测的数据集,进行初始化处理;所述的初始化处理包括字符型变量数值化,不同范围数据归一化以及利用灰度关联进行降维操作;将初始化处理后的输入数据集分为训练集和测试集
步骤2:随机将训练集中输入样本分成K等份;
步骤3:设置SVM的参数(C,g)组合的计算精度和寻优范围,设置IIFWA的迭代次数和迭代中用到的参数;对烟花算法进行初始化,烟花算法的解空间为二维平面,与SVM的参数(C,g)组合中的C和g分别对应;
步骤4:随机初始化2N个烟花,N为正整数,计算2N个烟花的适应度值,并对适应度值进行升序排序;
步骤5:取适应度值最优的烟花个体作为标定烟花xk,计算剩余2N-1个烟花和标定烟花的欧氏距离Lki并且进行升序排序,在排好序的距离Lki,i=1,2,…,2N-1中选取i下标为偶数的烟花个体作为初始化烟花;其中两个烟花之间的欧氏距离,由下式计算得出:
Lij=||xi-xj||
其中,Lij表示第i个烟花xi和第j个烟花xj之间的距离;
步骤6:利用每个烟花对应位置的参数组合作为SVM的参数(C,g)组合,利用K-折交叉验证法计算该参数组合下SVM的泛化能力,用泛化能力作为适应度值,根据适应度值计算每个烟花的爆炸半径和烟花数量;
步骤7:引爆烟花,根据爆炸强度和爆炸半径对烟花的每一维度进行位移变异,得到爆炸火花;
步骤8:产生G个高斯变异火花;
步骤9:从烟花、爆炸火花和高斯变异火花的并集中选择下一代烟花种群,下一代烟花种群中烟花个数和初始烟花个数保持一致;
步骤10:判断当前的迭代次数是否达到设定的烟花算法终止条件;若达到,输出烟花算法搜寻到的SVM的参数(C,g)组合;若未达到,则返回到步骤6继续进行迭代;
步骤11:将寻找到的SVM的参数(C,g)的最优组合带入到SVM模型当中,得到入侵检测模型;
步骤12:将待检测的数据集的测试集输入到入侵检测模型中,完成对网络入侵的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264318.6A CN111553385B (zh) | 2020-04-07 | 2020-04-07 | 一种改进烟花算法结合svm的网络入侵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264318.6A CN111553385B (zh) | 2020-04-07 | 2020-04-07 | 一种改进烟花算法结合svm的网络入侵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553385A CN111553385A (zh) | 2020-08-18 |
CN111553385B true CN111553385B (zh) | 2022-07-15 |
Family
ID=72001921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010264318.6A Expired - Fee Related CN111553385B (zh) | 2020-04-07 | 2020-04-07 | 一种改进烟花算法结合svm的网络入侵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553385B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700060B (zh) * | 2021-01-08 | 2023-06-13 | 佳源科技股份有限公司 | 站所终端负荷预测方法和预测装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279570A (zh) * | 2015-06-19 | 2016-01-27 | 电子科技大学 | 一种基于烟花算法的复杂机械产品装配序列规划方法 |
CN108133240A (zh) * | 2018-01-31 | 2018-06-08 | 湖北工业大学 | 一种基于烟花算法的多标签分类方法及系统 |
WO2018157272A1 (zh) * | 2017-02-28 | 2018-09-07 | 江南大学 | 一种基于改进的烟花算法进行图像处理的方法 |
CN109214460A (zh) * | 2018-09-21 | 2019-01-15 | 西华大学 | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 |
CN109858617A (zh) * | 2019-02-20 | 2019-06-07 | 哈尔滨工程大学 | 一种优化初始化方式的烟花计算方法 |
CN110503234A (zh) * | 2019-07-03 | 2019-11-26 | 广东工业大学 | 一种物流运输调度的方法、系统及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10846596B2 (en) * | 2015-11-23 | 2020-11-24 | Daniel Chonghwan LEE | Filtering, smoothing, memetic algorithms, and feasible direction methods for estimating system state and unknown parameters of electromechanical motion devices |
US11103773B2 (en) * | 2018-07-27 | 2021-08-31 | Yogesh Rathod | Displaying virtual objects based on recognition of real world object and identification of real world object associated location or geofence |
-
2020
- 2020-04-07 CN CN202010264318.6A patent/CN111553385B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279570A (zh) * | 2015-06-19 | 2016-01-27 | 电子科技大学 | 一种基于烟花算法的复杂机械产品装配序列规划方法 |
WO2018157272A1 (zh) * | 2017-02-28 | 2018-09-07 | 江南大学 | 一种基于改进的烟花算法进行图像处理的方法 |
CN108133240A (zh) * | 2018-01-31 | 2018-06-08 | 湖北工业大学 | 一种基于烟花算法的多标签分类方法及系统 |
CN109214460A (zh) * | 2018-09-21 | 2019-01-15 | 西华大学 | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 |
CN109858617A (zh) * | 2019-02-20 | 2019-06-07 | 哈尔滨工程大学 | 一种优化初始化方式的烟花计算方法 |
CN110503234A (zh) * | 2019-07-03 | 2019-11-26 | 广东工业大学 | 一种物流运输调度的方法、系统及设备 |
Non-Patent Citations (8)
Title |
---|
A novel intelligent diagnosis method using optimal LS-SVM with improved PSO algorithm;Wu Deng等;《Soft Computing 》;Springer;20171124;第23卷;第2445–2462页 * |
Adaptive Fireworks Algorithm Based on Simulated Annealing;Wenwen Ye等;《2017 13th International Conference on Computational Intelligence and Security (CIS)》;IEEE;20180212;第371-375页 * |
Task scheduling algorithm based on fireworks algorithm;Jingmei Li等;《EURASIP Journal on Wireless Communications and Networking》;20181030;第1-8页 * |
基于反向学习与动态记忆反馈的烟花算法;李席广等;《计算机工程》;20171215(第12期);第209-216页 * |
基于改进烟花算法和SVM的入侵检测研究;李赫;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190815(第8期);I139-138 * |
基于烟花爆炸优化算法的测试数据生成方法;丁蕊等;《计算机应用》;20161010(第10期);第176-181页 * |
改进选择策略的烟花算法;余冬华等;《控制与决策》;20180925(第2期);第389-395页 * |
烟花算法在图像处理中的应用研究;鄢来仪等;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180115(第1期);I138-1083 * |
Also Published As
Publication number | Publication date |
---|---|
CN111553385A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shone et al. | A deep learning approach to network intrusion detection | |
Wang et al. | Assessing optimizer impact on DNN model sensitivity to adversarial examples | |
CN110298663B (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
CN108446765A (zh) | 面向深度学习对抗性攻击的多模型协同防御方法 | |
CN113922985B (zh) | 一种基于集成学习的网络入侵检测方法及系统 | |
Ling et al. | Intrusion detection using normalized mutual information feature selection and parallel quantum genetic algorithm | |
CN112217787B (zh) | 一种基于ed-gan的仿冒域名训练数据生成方法及系统 | |
CN110784455B (zh) | 基于线性递减权重粒子群算法优化Xgboost模型方法 | |
CN111343182B (zh) | 一种基于灰度图的异常流量检测方法 | |
CN111553385B (zh) | 一种改进烟花算法结合svm的网络入侵检测方法 | |
Elsaeidy et al. | A machine learning approach for intrusion detection in smart cities | |
CN115577357A (zh) | 一种基于堆叠集成技术的Android恶意软件检测方法 | |
KR20190028880A (ko) | 봇넷 탐지 시스템을 학습하기 위한 학습 데이터를 생성하는 방법 및 그 장치 | |
Hassan et al. | Model for phishing websites classification using artificial neural network | |
Hou et al. | An intrusion detection method for cyber monintoring using attention based hierarchical LSTM | |
Tomar et al. | Cyber attack detection in IoT using deep learning techniques | |
Sychugov et al. | Using wasserstein generative adversarial networks to create network traffic samples | |
US20230095966A1 (en) | Intrusion detection method based on improved immune network algorithm, and application thereof | |
Hwang et al. | An efficient domain-adaptation method using GAN for fraud detection | |
Leevy et al. | Feature evaluation for IoT botnet traffic classification | |
CN113852612A (zh) | 一种基于随机森林的网络入侵检测方法 | |
CN113537313A (zh) | 一种基于wgan训练收敛的不平衡数据集分析方法 | |
Sezgin et al. | AID4I: An Intrusion Detection Framework for Industrial Internet of Things Using Automated Machine Learning. | |
Ananthi et al. | Ensemble based Intrusion Detection System for IoT Device | |
CN112115509A (zh) | 一种数据生成方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220715 |