典型文献
基于GSA与DE优化混合核ELM的网络异常检测模型
文献摘要：
为了增强网络入侵检测模型的准确率与泛化性,提出一种基于引力搜索算法(GSA)与差分进化(DE)算法优化混合核极限学习机(ELM)的网络入侵检测模型.该模型针对采用单个核函数的ELM模型存在的泛化能力弱、学习能力差的问题,结合多项式核函数和径向基函数的优点,构建混合核ELM模型(HKELM),将GSA和DE相结合优化HKELM模型参数,从而提高其在异常检测过程中的全局和局部优化能力,在此基础上利用核主成分分析算法进行入侵检测数据的数据降维和特征抽取,构建网络入侵检测模型KPCA-GSADE-HKELM.在KDD99数据集上的实验结果表明,与KDDwinner、CSVAC、CPSO-SVM、Dendron等模型进行对比,KPCA-GSADE-HKELM模型具有更高的检测精度和更快的检测速度.
文献关键词：
网络入侵检测;异常检测;引力搜索算法;差分进化算法;混合核极限学习机;检测精度
中图分类号：
作者姓名：
生龙;袁丽娜;武南南;姬少培
作者机构：
河北工程大学 信息与电气工程学院,河北 邯郸 056038;河北工程大学 河北省安防信息感知与处理重点实验室,河北 邯郸 056038;天津大学 智能与计算学部,天津 300072;中国电子科技集团公司第三十研究所,成都 610041
文献出处：
引用格式：
[1]生龙;袁丽娜;武南南;姬少培-.基于GSA与DE优化混合核ELM的网络异常检测模型)[J].计算机工程,2022(06):146-153
A类：
HKELM,GSADE,KDDwinner,CSVAC,Dendron
B类：
网络异常检测,网络入侵检测,入侵检测模型,泛化性,引力搜索算法,算法优化,混合核极限学习机,核函数,泛化能力,多项式,径向基函数,检测过程,局部优化,核主成分分析,检测数据,数据降维,特征抽取,建网,KPCA,KDD99,CPSO,检测精度,检测速度,差分进化算法
AB值：
0.209728
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
