基于倒轉二叉樹的FSVM入侵檢測算法研究.pdf

1、支持向量機是建立在統計學習理論之上的機器學習方法，它將最大間隔與核函數理論結合在一起，有效的解決了長期困擾機器學習領域的小樣本、高維數、非線性、過學習和局部最優(yōu)解等難題。
　　 隨著網絡技術的發(fā)展和應用范圍的擴大，人們越來越依賴于網絡進行信息處理，信息系統已成為一個單位、一個行業(yè)、乃至一個國家持續(xù)發(fā)展的基礎設施，網絡安全也就成為國家與國防安全的重要組成部分。入侵檢測技術是一種重要的動態(tài)安全防護技術，有效的彌補了傳統靜態(tài)防御技術的

2、不足，已成為信息技術的一個重要研究方向。入侵檢測本質上是一種模式識別問題，將支持向量機應用于入侵檢測，可以提高檢測性能。
　　 本文在研究入侵檢測系統和支持向量機的基礎上，做了以下工作和創(chuàng)新：
　　 1、提出了適合于入侵檢測數據的分步特征選擇算法，首先利用ReliefF 算法刪除不相關特征，然后利用KNN 算法刪除冗余特征，解決了傳統ReliefF 方法無法取出冗余特征的問題。
　　 2、提出了一種倒轉二叉樹的構

3、造方法，一定程度上抑制了傳統構造方法中的“誤差積累”問題；提出了一種基于特征空間類間分離的分離判據，能夠更好反映可分離性，具有更好的幾何意義。
　　 3、結合基于二叉樹的支持向量機和模糊支持向量機的優(yōu)點，在二叉樹的多類支持向量機中引入了模糊因子，提出了一種基于二叉樹的模糊多類支持向量機入侵檢測算法；同時結合傳統的類中心距離隸屬度函數和KNN 算法思想，提出一種混合隸屬度函數，解決了傳統的基于類中心距離隸屬度確定方法中無法有效區(qū)分