文献类型：期刊文献

中文题名：反向学习粒子群算法和多层分类器相融合的网络入侵检测

英文题名：NETWORKS INTRUSION DETECTION WITH FUSION OF REVERSE LEARNING PARTICLE SWARM OPTIMISATION AND MULTILAYER CLASSIFIER

作者：张永强[1];张墨华[1]

机构：[1]河南财经政法大学计算机与信息工程学院

第一机构：河南财经政法大学计算机与信息工程学院

年份：2015

卷号：32

期号：4

起止页码：305-308

中文期刊名：计算机应用与软件

外文期刊名：Computer Applications and Software

收录：CSTPCD;;CSCD:【CSCD_E2015_2016】；

基金：国家自然科学基金项目(61202285);河南省科技攻关项目(132102210501)

语种：中文

中文关键词：最小二乘支持向量机;反向学习;粒子群优化算法;网络入侵;多层分类器

外文关键词：Least square support vector machine （LSSVM） Reverse learning Particle swarm optimisation Network intrusion Multilayer classifier

摘要：为了提高网络入侵检测率,提出一种反向学习粒子群算法和多层次分类器相融合的网络入侵检测模型。首先将反向学习粒子群算法优化最小二乘支持向量机,以提高分类性能;然后利用由粗到精策略构造多层的网络入侵分类器降低计算时间杂度复;最后采用KDD 99数据集进行仿真测试。仿真结果表明,相对于其他检测模型,该模型不仅提高了网络入侵检测率,降低了入侵检测误报率,同时加快了入侵检测速度,为网络安全提供了有效保证。
In order to improve detection rate of the network intrusion,we propose a network intrusion detection model with the fusion of reverse learning particle swarm optimisation （RLPSO）and multilayer classifier.First,the RLPSO is employed to optimise LSSVM to improve the classification performance;then the coarse-to-fine strategy is used to construct multi-layer network intrusion classifier to reduce the complexity of computation time;finally,the simulation test is carried out using KDD 99 data.Simulation results show that compared with other detection models,the proposed model improves network intrusion detection rate and lowers the false positive rate of intrusion,meanwhile it also accelerates the intrusion detection speed,and provides effective guarantee for network security.