计算机工程

作者：戴仙波, 王娜, 刘颖

单位：1. 信息工程大学 密码工程学院, 郑州 450001;2. 河南省信息安全重点实验室, 郑州 450001

关键词：高斯核函数,边界网关协议,异常检测,支持向量机,机器学习

基金：国家重点研发计划（2018YFB0803603）；国家自然科学基金（61802436，61502531）；河南省自然科学基金（162300410334）。

通过将边界网关协议（BGP）更新报文激增异常问题抽象为二分类问题，提出一种基于改进高斯核函数的BGP异常检测（IGKAD）方法。采用FMS特征选择算法，选择能同时最大化类间距离和最小化类内距离的特征，得到度量分类能力的特征权值。利用基于Manhattan距离与特征权值的改进高斯核函数构造支持向量机（SVM）分类模型，并结合基于网格搜索与交叉验证的参数寻优方法，提高SVM模型分类准确率。通过设计特征效率函数，给出最优特征子集构造方法，从而选取最优特征子集作为训练数据集。实验结果表明，当训练集包含TOP10和TOP8特征时，IGKAD方法的分类准确率分别为91.65%和90.37%，相比基于机器学习的BGP异常检测方法分类性能更优。

来源：2019年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2019年第10期