基于概率的并行粒子群AKO RVM入侵检测

AKO-RVM算法不仅具有高分类精度的特点,相对于RVM算法其在一定程度上降低了性能对初始参数的依赖性,在入侵检测网络安全的方法研究中优于经典RVM算法。然而AKO-RVM样本训练与分类用时较长,为此提出一种基于概率的主辅式并行粒子群AKO-RVM方法,即将训练样本进行分组,先采用并行主辅式粒子群算法确定AKO-RVM核宽参数并进行优化,进而构造RVM分类模型,继而采用一对一分类方法应用于多类检测中。入侵实验结果表明,所提出方法在具有高精度与性能、低依赖性等特点的同时,较大程度上降低了训练所需迭代次数与检测时间。