论文部分内容阅读
在信息时代，每天大量新的网络数据涌入互联网，网络空间异常行为更加复杂多变，数据的高维属性，导致入侵检测面临检测效率、准确率低。为了建设安全可持续的网络环境，为互联网的快速发展提供保障，入侵检测系统引入新技术实现创新刻不容缓。常用特征选择方法引入入侵检测系统中，实现对网络数据的初步选择，达到对多维数据降维的作用，去除无关、弱相关、冗余的特征，提高分类的效率、准确率，减少误报率，提升了入侵检测系统的性能，实现系统智能化和满足现代网络空间安全检测要求。 本文参考了国内外特征选择算法在入侵检测应用的研究，研究了典型的四个特征选择算法，通过优势互补组合提出了两个新的，针对入侵检测系统的KDD CUP1999数据集降维方法。在本篇论文中做了以下主要工作： （1）四个算法对比分析：ReliefF算法不能区分已选特征集中特征间的相关紧密性；FCBF算法能高效处理特征之间的冗余性；Re-ReliefF算法在效率、准确率、误报率方面还不够好；最大相关最小冗余算法（mRMR）中特征间相关性表述的互信息度量准则，能更好地区分特征间的相关关系。 （2）改进的两个组合算法：ReliefF算法和FCBF算法结合，提出了一种两阶段Re-FCBF算法，分别对原始特征集进行相应的筛选，获得区分数据高效的特征组成的最佳特征子集；Re-ReliefF+算法在Re-ReliefF算法的基础上加入了最大相关最小冗余算法（mRMR）的思想，把作为特征间相关性表述的互信息度量准则引入其中，从而更好地区分特征间的相关关系，进一步去除冗余特征。 （3）改进的组合算法实验对比分析：KDD CUP1999作为入侵检测数据，采用支持向量机来训练数据和测试数据，获得相应的最佳特征子集在数据分类的准确率、误报率、漏报率、训练时间、预测时间。实验表明：Re-FCBF算法和Re-ReliefF+是一种有效的过滤式特征选择算法，它能够有效地去除无关、弱相关、冗余特征，提高入侵检测的效率、准确率，减少误报率。