计算机工程

作者：付子爔, 徐洋, 吴招娣, 许丹丹, 谢晓尧

单位：贵州师范大学 贵州省信息与计算科学重点实验室, 贵阳 550001

关键词：支持向量机,K最近邻算法,k维树,入侵检测,增量学习,卷积神经网络

基金：中央引导地方科技发展专项（黔科中引地〔2018〕4008）；贵州师范大学创新创业教育研究基金项目（SCJJ1805）；贵州师范大学研究生创新基金（YC[2018]030）。

为满足入侵检测的实时性和准确性要求，通过结合支持向量机（SVM）和K最近邻（KNN）算法设计IL-SVM-KNN分类器，并采用平衡k维树作为数据结构提升执行速度。训练阶段应用增量学习思想并考虑知识库的扩展，分类阶段则利用SVM和KNN算法将待分类数据分成3种情况应用不同的分类策略。基于KDD CUP99和NSL-KDD数据集进行实验，结果表明，IL-SVM-KNN能够区分正常流量和异常流量并准确判断异常流量的攻击类型，其准确率较KNN算法和SVM算法有明显提升，判断攻击类型的准确性高于决策树、随机森林和XGBoost算法，并且较两层卷积神经网络消耗时间更少，资源消耗更低。

来源：2020年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2020年第4期