论文研究基于邻域粗糙集的入侵检测集成算法.pdf

入侵检测领域的数据往往具有高维性及非线性特点，且其中含有大量的噪声、冗余及连续型属性，这就使得一般的模式分类方法不能对其进行有效的处理。为了进一步提高入侵检测效果，提出了基于邻域粗糙集的入侵检测集成算法。采用Bagging技术产生多个具有较大差异性的训练子集，针对入侵检测数据的连续型特点，在各训练子集上使用具有不同半径的邻域粗糙集模型进行属性约简，消除冗余与噪声，实现属性约简以提高属性子集的分类性能，同时也获得具有更大差异性的训练子集，采用SVM为分类器训练多个基分类器，以各基分类器的检测精度构造权重进行加权集成。KDD99数据集的仿真实验结果表明，该算法能有效地提高入侵检测的精度和效率，具有