粗糙集属性约简的极限学习机网络入侵检测算法

周棒棒; 魏书宁; 唐勇; 马天雨; 陈远毅

doi:10.13873/J.1000-9787(2019)01-0122-04

Chinese

您当前的位置：

首页 >

文章列表页 >

粗糙集属性约简的极限学习机网络入侵检测算法

计算与测试 | 更新时间：2025-09-11

- 粗糙集属性约简的极限学习机网络入侵检测算法
- ELM network intrusion detection algorithm based on rough set attribute reduction
- 传感器与微系统 2019年38卷第1期页码：122-125
- 作者机构：
  
  1. 湖南师范大学物理与信息科学学院物联网技术及应用重点实验室
  2. 国防科学技术大学计算机学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目（61472437）;湖南师大校教改项目（1210786）;湖南省教育厅一般项目（531120）;湖南师范大学自然科学研究项目（160432）
- DOI：10.13873/J.1000-9787(2019)01-0122-04
  中图分类号： TP18;TP393.08
- 纸质出版：2019
- 稿件说明：
移动端阅览
[1]周棒棒,魏书宁,唐勇,马天雨,陈远毅.粗糙集属性约简的极限学习机网络入侵检测算法[J].传感器与微系统,2019,38(01):122-125.

ZHOU Bang-bang, WEI Shu-ning, TANG Yong, et al. ELM network intrusion detection algorithm based on rough set attribute reduction[J]. 2019, 38(1): 122-125.
[1]周棒棒,魏书宁,唐勇,马天雨,陈远毅.粗糙集属性约简的极限学习机网络入侵检测算法[J].传感器与微系统,2019,38(01):122-125. DOI： 10.13873/J.1000-9787(2019)01-0122-04.

ZHOU Bang-bang, WEI Shu-ning, TANG Yong, et al. ELM network intrusion detection algorithm based on rough set attribute reduction[J]. 2019, 38(1): 122-125. DOI： 10.13873/J.1000-9787(2019)01-0122-04.

摘要

针对网络入侵数据量大、属性冗余及属性之间线性相关导致分类算法计算速度慢、准确度不高等问题

提出一种改进粗糙集属性约简的极限学习机网络入侵分类算法。对训练集采用粗糙集正域和分辨矩阵相结合的方法获得属性核

筛选出只有属性核的数据集得到无冗余属性的特征集合;使用极限学习机（ELM）作为分类模型进行分类

使用支持向量机（SVM）、神经网络、极限学习机比较证明提出方法的有效性

为网络入侵检测提供一种新的解决方法。

Abstract

Aiming at problem of slow computing speed and inaccuracy of the classification algorithm caused by large numbers of network intrusions

attribute redundancy and linear correlation between attributes

an extreme learning machine（ ELM） network intrusion classification algorithm is proposed which is based on reduction of redundant attributes by the positive domain and discernibility matrixof the rough set. After the reduction of redundant attributes by the positive domain and discernibility matrix of the rough set

it gets the characteristic collection of non-redundant attributes. ELM serves as classification model. Through comparing it with SVM

neural network

ELM

the effectiveness of this method is proved

thus provide a new solution for network intrusion detection.

关键词

Keywords

references

基于CS-CPSO与SVM融合的WSNs入侵检测算法 [J]. 刘宏立,李璐,胡久松. 传感器与微系统 . 2017(09)

融合FAST特征选择与ABQGSA-SVM的网络入侵检测 [J]. 李丛,闫仁武,朱长水,高广银. 计算机应用研究 . 2017(07)

人工蜂群优化的BP神经网络在入侵检测中的应用 [J]. 沈夏炯,王龙,韩道军. 计算机工程 . 2016(02)

基于特征选取和样本选择的网络入侵检测 [J]. 马世欢,胡彬. 计算机系统应用 . 2015(09)

WOS-ELM算法在入侵检测中的研究 [J]. 康松林,刘楚楚,樊晓平,李宏,杨宁. 小型微型计算机系统 . 2015(08)

基于SVM的网络入侵检测集成学习算法 [J]. 谭爱平,陈浩,吴伯桥. 计算机科学 . 2014(02)

基于AFSA-SVM的网络入侵检测模型 [J]. 李玉霞,刘丽,沈桂兰. 计算机工程与应用 . 2013(24)

粒子群优化支持向量机的入侵检测算法 [J]. 刘明珍. 计算机工程与应用 . 2012(35)

面向入侵检测的基于IMGA和MKSVM的特征选择算法 [J]. 井小沛,汪厚祥,聂凯,罗志伟. 计算机科学 . 2012(07)

特征和分类器联合优化的网络入侵检测算法 [J]. 宋宇翔,刘琰. 计算机工程与应用 . 2012(19)

PCA-SVM在网络入侵检测中的仿真研究 [J]. 杨富华,彭钢. 计算机仿真 . 2011(07)

基于邻域粗糙集的入侵检测 [J]. 王文莉,侯丽敏. 传感器与微系统 . 2010(06)

基于粗糙集的属性约简算法 [J]. 樊持杰,陈丽敏,夏春艳. 微计算机信息 . 2010(06)

Selection of Candidate Support Vectors in incremental SVM for network intrusion detection [J] . Roshan Chitrakar,Chuanhe Huang. Computers & Security . 2014

Weighted Online Sequential Extreme Learning Machine for Class Imbalance Learning [J] . Bilal Mirza,Zhiping Lin,Kar-Ann Toh. Neural Processing Letters . 2013 (3)

A survey of intrusion detection techniques in Cloud [J] . Chirag Modi,Dhiren Patel,Bhavesh Borisaniya,Hiren Patel,Avi Patel,Muttukrishnan Rajarajan. Journal of Network and Computer Applications . 2013 (1)

Extreme learning machine: Theory and applications [J] . Guang-Bin Huang,Qin-Yu Zhu,Chee-Kheong Siew. Neurocomputing . 2006 (1)

浏览量

152

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于JRNB的网络入侵检测算法

基于混合蛙跳算法的极限学习机软测量建模

ADCS-ELM算法滚动轴承故障诊断

引入虚拟节点的无线传感器网络ELM定位算法

PSO-ELM的浆体管道临界淤积流速预测模型研究