• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于特征選擇和支持向量機(jī)的異常檢測(cè)方法

    2013-09-10 01:18:34張潤(rùn)蓮蔣曉鴿
    關(guān)鍵詞:特征選擇準(zhǔn)確率向量

    張 昭,張潤(rùn)蓮+,蔣曉鴿,曾 兵

    (1.桂林電子科技大學(xué)信息與通信學(xué)院,廣西桂林541004;2.保密通信重點(diǎn)實(shí)驗(yàn)室,四川成都610041)

    0 引 言

    入侵檢測(cè)作為一種主動(dòng)防御技術(shù),可以有效地檢測(cè)和阻斷網(wǎng)絡(luò)攻擊。入侵檢測(cè)系統(tǒng)按技術(shù)實(shí)現(xiàn)可分為誤用檢測(cè)和異常檢測(cè)。異常檢測(cè)因?yàn)榭梢詸z測(cè)新型的未知攻擊行為,成為了研究的熱點(diǎn)。

    異常檢測(cè)常用的方法有神經(jīng)網(wǎng)絡(luò)、決策樹、聚類分析、貝 葉 斯 理 論、 支 持 向 量 機(jī) (support vector machine,SVM)、K臨近值算法等。其中,支持向量機(jī)[1]將基于結(jié)構(gòu)風(fēng)險(xiǎn)化最小原則運(yùn)用到異常檢測(cè)中提高檢測(cè)性能,具有較高的泛化能力和分類準(zhǔn)確率。支持向量機(jī)也存在一些不足,一方面,其所需要的參與模型訓(xùn)練的標(biāo)記數(shù)據(jù)較難獲得;另一方面,其分類時(shí)采用的核函數(shù)的選取以及核函數(shù)的參數(shù)優(yōu)化是一個(gè)較難解決的問題。針對(duì)上述問題,文獻(xiàn) [2]通過對(duì)比分析幾種特征去除方法,提出逐步特征剔除方法,以獲得較高的檢測(cè)率。文獻(xiàn) [3]提出一種自動(dòng)標(biāo)記方法用于基于支持向量機(jī)的網(wǎng)絡(luò)流量異常檢測(cè),通過剔除已知的入侵?jǐn)?shù)據(jù),構(gòu)造不平衡數(shù)據(jù)集,提高對(duì)新型異常的檢測(cè)能力。文獻(xiàn) [4]提出一種基于Fisher分的特征提取算法,在保持分類精度不變情況下,降低訓(xùn)練時(shí)間和測(cè)試時(shí)間。文獻(xiàn) [5]采用一種基于數(shù)據(jù)不一致率的快速特征提取算法,有效消除數(shù)據(jù)冗余,提高檢測(cè)效率。

    本文提出一種基于分類模型分類準(zhǔn)確率計(jì)算的特征選擇和支持向量機(jī)相結(jié)合的異常檢測(cè)方法。該方法通過測(cè)試網(wǎng)絡(luò)數(shù)據(jù)的每個(gè)特征對(duì)支持向量機(jī)分類模型的分類準(zhǔn)確率,選取出分類準(zhǔn)確率高的最優(yōu)特征組合;并結(jié)合支持向量機(jī)分類方法進(jìn)行異常檢測(cè)。

    1 基于特征選擇和SVM的異常檢測(cè)系統(tǒng)結(jié)構(gòu)

    異常檢測(cè)的關(guān)鍵是如何準(zhǔn)確、高效地進(jìn)行數(shù)據(jù)的分類,即將網(wǎng)絡(luò)中正常行為產(chǎn)生的數(shù)據(jù)視為正常類,將入侵行為產(chǎn)生的數(shù)據(jù)視為異常類。本文采用支持向量機(jī)建立數(shù)據(jù)分類模型,再通過分類模型進(jìn)行數(shù)據(jù)分類。為提高檢測(cè)準(zhǔn)確率,在數(shù)據(jù)分類檢測(cè)中采用了一種基于分類模型分類準(zhǔn)確率計(jì)算篩選特征?;谔卣鬟x擇和支持向量機(jī)的異常檢測(cè)系統(tǒng)模型結(jié)構(gòu)如圖1所示。

    圖1 基于SVM的異常檢測(cè)模型

    在圖1中,網(wǎng)絡(luò)抓包模塊采用Sniffer工具實(shí)現(xiàn)從網(wǎng)絡(luò)中抓取數(shù)據(jù)包。

    特征提取模塊提取網(wǎng)絡(luò)數(shù)據(jù)包的特征信息,構(gòu)成一組關(guān)鍵特征組合。通常,對(duì)網(wǎng)絡(luò)數(shù)據(jù)描述的特征有很多,但這些特征有主有次。在數(shù)據(jù)識(shí)別中,通過幾個(gè)主要特征的組合就可以準(zhǔn)確地識(shí)別數(shù)據(jù)。而次要的特征,不僅會(huì)增加系統(tǒng)開銷,還可能混淆對(duì)數(shù)據(jù)的識(shí)別,降低檢測(cè)的準(zhǔn)確性。針對(duì)該問題,本文提出一種基于分類模型分類準(zhǔn)確率計(jì)算的特征選擇算法,通過計(jì)算每維特征進(jìn)行數(shù)據(jù)識(shí)別的模型準(zhǔn)確率,選取準(zhǔn)確率最高的最優(yōu)特征組合。

    數(shù)據(jù)預(yù)處理模塊將所提取的特征組合轉(zhuǎn)換為適合于支持向量機(jī)處理的特征向量數(shù)據(jù)。由于支持向量機(jī)只能處理數(shù)值型的數(shù)據(jù),因此,需要對(duì)所提取數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和歸一化處理,并完成數(shù)據(jù)類型的轉(zhuǎn)換等。對(duì)已標(biāo)記的正?;虍惓?shù)據(jù)經(jīng)預(yù)處理后,將組成訓(xùn)練集用于訓(xùn)練SVM分類模型,而未標(biāo)記的數(shù)據(jù)預(yù)處理后則用來進(jìn)行分類檢測(cè)。

    支持向量庫模塊用于存儲(chǔ)SVM訓(xùn)練后所產(chǎn)生的支持向量。

    SVM模型訓(xùn)練主要是對(duì)輸入的訓(xùn)練集進(jìn)行訓(xùn)練,產(chǎn)生數(shù)據(jù)分類模型。訓(xùn)練集是由特征向量和其相應(yīng)的類別標(biāo)號(hào)組成。其中,類別標(biāo)號(hào)是用于區(qū)分?jǐn)?shù)據(jù)正?;虍惓5囊环N標(biāo)記,通常以 (1,-1)表示。當(dāng)訓(xùn)練完成后可以產(chǎn)生新的區(qū)分正常或異常的分類模型,并將得到的新的支持向量替代原有的支持向量。當(dāng)有新的訓(xùn)練數(shù)據(jù)并入時(shí),將支持向量融入到訓(xùn)練數(shù)據(jù)中形成新的訓(xùn)練集進(jìn)行訓(xùn)練。

    SVM分類檢測(cè)利用訓(xùn)練產(chǎn)生的分類模型和支持向量庫對(duì)輸入的未標(biāo)記的數(shù)據(jù)進(jìn)行分類檢測(cè)。這些未標(biāo)記的數(shù)據(jù)初始時(shí)標(biāo)注一種自定義的預(yù)測(cè)標(biāo)號(hào),在分類檢測(cè)后將變更為新的類別標(biāo)號(hào),標(biāo)識(shí)其正?;虍惓?。

    輸出響應(yīng)模塊則對(duì)檢測(cè)出的異常數(shù)據(jù)做出報(bào)警響應(yīng)。

    2 特征選擇算法

    從實(shí)現(xiàn)網(wǎng)絡(luò)行為的數(shù)據(jù)包中提取數(shù)據(jù)的特征是一項(xiàng)費(fèi)時(shí)和困難的工作。在數(shù)據(jù)處理前,去除冗余或者不重要的特征,只提取有效識(shí)別網(wǎng)絡(luò)行為的關(guān)鍵特征集,將有利于提高分類器的訓(xùn)練速度和檢測(cè)精度。針對(duì)該問題,本文構(gòu)造一種基于分類模型分類準(zhǔn)確率計(jì)算的特征選擇算法。該算法通過逐一選取特征向量中的每一維特征,建立相應(yīng)的分類模型,以同一數(shù)據(jù)集分別作為訓(xùn)練集和測(cè)試集,分別測(cè)試各分類模型對(duì)不同類別數(shù)據(jù)的分類準(zhǔn)確率;再根據(jù)分類準(zhǔn)確率高低,選擇分類準(zhǔn)確率高的特征集構(gòu)成最優(yōu)特征組合。

    為更好地描述該算法,先對(duì)相關(guān)概念進(jìn)行描述。

    定義1 特征向量是指網(wǎng)絡(luò)數(shù)據(jù)中反映網(wǎng)絡(luò)行為的相關(guān)特征集合。以F={F1,F(xiàn)2,...,F(xiàn)i,...,F(xiàn)m}表示某種網(wǎng)絡(luò)行為的特征向量,其中,F(xiàn)i為該特征向量中的第i維特征,1≤i≤m。

    定義2 數(shù)據(jù)類別是指根據(jù)網(wǎng)絡(luò)攻擊行為的不同,將數(shù)據(jù)劃分為相應(yīng)的類別,如Normal、Probe、Dos、R2l、U2r等網(wǎng)絡(luò)行為數(shù)據(jù)類別。以C={C1,C2,...,Cj,...,Cn}表示所劃分的數(shù)據(jù)類別,其中,Cj表示所劃分的第j種數(shù)據(jù)類別,1≤j≤n。

    為評(píng)估所選特征對(duì)數(shù)據(jù)分類的影響,本文針對(duì)所選特征,采用支持向量機(jī)作為分類器建立分類模型,并分別測(cè)試各特征在分類模型中對(duì)不同類別數(shù)據(jù)的分類準(zhǔn)確率。

    定義3 分類準(zhǔn)確率矩陣是在進(jìn)行分類模型訓(xùn)練中通過測(cè)試、評(píng)估不同向量特征對(duì)不同類別數(shù)據(jù)進(jìn)行分類的準(zhǔn)確率構(gòu)成的矩陣。以M (i,j)表示分類準(zhǔn)確率矩陣,1≤i≤m,1≤j≤n;其中,矩陣的每一行代表以某特征建立分類模型后對(duì)不同類別數(shù)據(jù)進(jìn)行分類而產(chǎn)生的準(zhǔn)確率;每一列表示各特征建立分類模型后針對(duì)某類數(shù)據(jù)的分類準(zhǔn)確率。

    特征選擇算法描述如下:

    (1)設(shè)有 m 個(gè)特征F={F1,F(xiàn)2,...,F(xiàn)i,...,F(xiàn)m},n個(gè)數(shù)據(jù)類別 {C1,C2,...,Cj,...,Cn};并初始化分類準(zhǔn)確率矩陣M (i,j),其中,1≤i≤m,1≤j≤n;

    (2)從F中選取特征Fi作為測(cè)試特征,利用Fi建立分類模型并測(cè)試各個(gè)類別數(shù)據(jù)的分類準(zhǔn)確率;

    (3)將各個(gè)類別數(shù)據(jù)的分類準(zhǔn)確率{A(Fi,C1),A(Fi,C2),...,A (Fi,Cj),...,A(Fi,Cm)}存入 M(i,j)中,其中A(Fi,Cj)表示以特征Fi建立分類模型后對(duì)Cj的分類準(zhǔn)確率;

    (4)重復(fù)執(zhí)行 (2)和 (3),直到k個(gè)特征測(cè)試結(jié)束;

    (5)構(gòu)造特征矩陣。在分類準(zhǔn)確率矩陣M(i,j)的每一列中,若對(duì)Cj的分類準(zhǔn)確率最高為A(Fi,Cj),則表明Fi對(duì)Cj分類影響最大。對(duì)M(i,j)中的每一列分別進(jìn)行非遞增排序,按照排序后的分類準(zhǔn)確率,構(gòu)造一個(gè)對(duì)應(yīng)于準(zhǔn)確率順序的特征序列;通過對(duì)所有列排序并構(gòu)造特征序列,形成一個(gè)特征矩陣M’(i,j);

    (6)在特征矩陣M’(i,j)中,選取第一行中對(duì)應(yīng)的特征組合F’建立分類模型并測(cè)試其分類準(zhǔn)確率A(F’,C’);

    (7)順序選取矩陣M’(i,j)的下一行中對(duì)應(yīng)的特征集,并將其并入到特征組合F’中,形成新特征組合F’’,利用F’’建立分類模型并測(cè)試其分類準(zhǔn)確率A(F’’,C’’);

    (8)比較上述兩組分類準(zhǔn)確率A(F’,C’)和A(F’’,C’’),若分類準(zhǔn)確率降低,即 A (F’’,C’’)≤A (F’,C’),則結(jié)束特征選擇過程,并確定分類準(zhǔn)確率最高的特征組合F’為最優(yōu)特征組合。否則,重復(fù)執(zhí)行步驟 (7)和(8),每次將矩陣M’(i,j)下一行的特征組合并入到前面建立的特征組合中,重新測(cè)試并比較其與前一次的分類準(zhǔn)確率,直到循環(huán)結(jié)束或獲得最優(yōu)特征組合。

    基于分類模型分類準(zhǔn)確率計(jì)算的特征選擇算法通過選取對(duì)分類影響最大的特征組合,降低了參與訓(xùn)練的特征維數(shù),避免了冗余特征對(duì)分類檢測(cè)的影響,提高了檢測(cè)準(zhǔn)確率,并降低了SVM模型在分類檢測(cè)時(shí)的檢測(cè)時(shí)間。

    3 支持向量機(jī)分類方法

    支持向量機(jī)分類方法是一種基于小樣本的學(xué)習(xí)方法,它可將由網(wǎng)絡(luò)連接提取并生成的特征向量映射到更高維空間里,并在此空間中尋求一個(gè)能夠?qū)崿F(xiàn)數(shù)據(jù)分類的最大間隔超平面。將數(shù)據(jù)分開的最大間隔越大,獲得的數(shù)據(jù)分類誤差越小。支持向量機(jī)的分類結(jié)果可由少數(shù)支持向量決定,其計(jì)算的復(fù)雜性取決于支持向量的數(shù)目,而不是樣本的維數(shù),從而避免了維數(shù)災(zāi)難。支持向量機(jī)分類算法是一種機(jī)器學(xué)習(xí)方法,需要利用訓(xùn)練集先訓(xùn)練出分類模型,然后才能利用分類模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)分析。

    設(shè)已 標(biāo) 記 訓(xùn) 練 集 樣 本 集 合 為: (y1,x1),(y2,x2),…,(yi,xi),…, (yl,xl);其中,yi= {-1,1}l為類別標(biāo)號(hào),1表示正常類,-1表示異常類;xi∈Rn,i=1,……,l表示n維特征向量。

    若要使樣本在輸入空間可分,則需要在特征空間中尋求如式 (1)所示的廣義最優(yōu)分類超平面,使兩類樣本到超平面的距離為最大

    式中:ω——權(quán)重向量,b——偏移值。尋找最優(yōu)分類超平面的過程實(shí)際上是個(gè)機(jī)器學(xué)習(xí)問題,其學(xué)習(xí)問題的核心是最小化求解下列問題

    其中,懲罰因子C>0,ξi為松弛變量,函數(shù)(x)用于將輸入向量映射到高維特征空間。利用KTT(Karush-Kuhn-Tucker)最優(yōu)化條件理論和用拉格朗日乘子法可將式 (2)變成其對(duì)偶形式

    其中,K(xi,xi)=(xi)T(xj)為核函數(shù),用于將高維空間中的內(nèi)積運(yùn)算轉(zhuǎn)換為低維空間的核函數(shù)計(jì)算,避免了維數(shù)災(zāi)難。αi和αj為拉格朗日乘子。

    根據(jù)式 (3)的結(jié)果,利用式 (1)和其對(duì)偶式 (3)間的關(guān)系可得最優(yōu)ω滿足下式

    對(duì)于未知屬類的向量x,采用如下最終分類決策函數(shù)

    在式 (5)中,可以選用不同的核函數(shù)構(gòu)造不同的支持向量機(jī)。常用的核函數(shù)有多項(xiàng)式核函數(shù)、RBF核函數(shù)和Sigmoid核函數(shù)。本文采用綜合性能最優(yōu)的RBF[6-7]核函數(shù)。

    由式 (1)可知,支持向量機(jī)分類超平面中含有大量未知參數(shù),通過選取已標(biāo)記數(shù)據(jù)參與訓(xùn)練,逐步獲取最優(yōu)參數(shù),從而得到分類模型即分類決策函數(shù)。在分類檢測(cè)時(shí),利用已獲得的分類模型,可將輸入的待檢測(cè)未知數(shù)據(jù)進(jìn)行分類,輸出數(shù)據(jù)的類別標(biāo)號(hào)。根據(jù)類別標(biāo)號(hào),可判斷其為正?;虍惓?shù)據(jù)。

    4 仿真實(shí)驗(yàn)分析

    本文采用Kddcup99[8]數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)。Kddcup99提供了一個(gè)10%的訓(xùn)練子集,其訓(xùn)練集給出了類別標(biāo)號(hào),本文在訓(xùn)練子集上進(jìn)行實(shí)驗(yàn)。為了便于模型的訓(xùn)練,需要對(duì)Kddcup99數(shù)據(jù)集進(jìn)行預(yù)處理,包括對(duì)字符類型數(shù)據(jù)的量化,以及數(shù)據(jù)的標(biāo)準(zhǔn)化和歸一化處理。

    在實(shí)驗(yàn)中,采用LibSVM[9-10]作為訓(xùn)練和測(cè)試工具,采用C-SVM、RBF核函數(shù),參數(shù)c、g、h設(shè)為1.2、2.8和0。在Matlab R2011b下實(shí)現(xiàn)本文的特征選擇算法和支持向量分類方法,并進(jìn)行測(cè)試和仿真。實(shí)驗(yàn)測(cè)試機(jī)器操作系統(tǒng)為 Windows 7,處理器為Intel Core(TM)i3 2.13GHz,內(nèi)存為2GB。

    4.1 數(shù)據(jù)預(yù)處理

    在實(shí)驗(yàn)中,從Kddcup99的10%訓(xùn)練子集中隨機(jī)選取一部分作為訓(xùn)練集,從剩余的數(shù)據(jù)中再隨機(jī)選取一部分作為測(cè)試集。

    針對(duì)選取的數(shù)據(jù)集,先進(jìn)行數(shù)據(jù)的量化,將數(shù)據(jù)集中的字符型數(shù)據(jù)轉(zhuǎn)換為數(shù)值型數(shù)據(jù),如設(shè)置協(xié)議類型中的tcp為1,服務(wù)類型中的http為1,標(biāo)志位中的sf為1,等。

    其次,針對(duì)量化的數(shù)據(jù),為避免量化取值的不同而對(duì)分類產(chǎn)生影響,進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。以Zij表示第i條數(shù)據(jù)記錄第j個(gè)屬性的標(biāo)準(zhǔn)化結(jié)果,則Zij的計(jì)算方法如下

    式中:xij——第i數(shù)據(jù)記錄的第j個(gè)屬性值;mj——所有數(shù)據(jù)記錄第j個(gè)屬性的平均值;Sj——所有數(shù)據(jù)記錄第j個(gè)屬性的平均絕對(duì)偏移。

    第三,進(jìn)一步對(duì)標(biāo)準(zhǔn)化的數(shù)據(jù)集采用線性函數(shù)轉(zhuǎn)換方法進(jìn)行歸一化處理。以Yij表示數(shù)據(jù)歸一化后的結(jié)果,則

    式中:zij——第i數(shù)據(jù)記錄的第j個(gè)屬性的標(biāo)準(zhǔn)化值,

    zmax——所有數(shù)據(jù)記錄中第j個(gè)屬性標(biāo)準(zhǔn)化后的最大值,

    zmin——所有數(shù)據(jù)記錄中第j個(gè)屬性標(biāo)準(zhǔn)化后的最小值。

    4.2 實(shí)驗(yàn)測(cè)試及結(jié)果分析

    首先采用本文基于分類模型分類準(zhǔn)確率計(jì)算的特征選擇算法對(duì)數(shù)據(jù)集的41維特征進(jìn)行特征篩選。在測(cè)試中,從Kddcup99的10%訓(xùn)練子集中以正常與異常數(shù)據(jù)比為4∶1的比率隨機(jī)選取約1萬條記錄作為測(cè)試集,并按照上述的數(shù)據(jù)預(yù)處理方法進(jìn)行處理。在此基礎(chǔ)上,采用本文提出特征選擇算法建立分類模型并進(jìn)行特征篩選,構(gòu)成最優(yōu)特征組合。本實(shí)驗(yàn)通過計(jì)算、比較,測(cè)得由矩陣中前三行特征組合構(gòu)成的最優(yōu)特征組合具有最高的分類準(zhǔn)確率,其包括了8個(gè)特征,分別為第1、2、3、5、6、23、33、36維特征。

    其次,從Kddcup99的10%訓(xùn)練子集中隨機(jī)選取約3萬條記錄作為訓(xùn)練集,從剩余的數(shù)據(jù)中再隨機(jī)選取約1萬條記錄作為測(cè)試集,通過數(shù)據(jù)預(yù)處理,采用篩選出的最優(yōu)特征組合,測(cè)試了其檢測(cè)準(zhǔn)確率、誤報(bào)率、建模時(shí)間及測(cè)試時(shí)間,并與不進(jìn)行特征選擇的原始41維特征集測(cè)試結(jié)果進(jìn)行對(duì)比,結(jié)果見表1。

    表1 不同特征集的測(cè)試結(jié)果對(duì)比

    通過表1可以看出,特征選擇后誤報(bào)率有所增加,但其檢測(cè)率有所提高,且大幅度降低了測(cè)試時(shí)間,提高了檢測(cè)效率。

    第三,在上一組所選擇并進(jìn)行了數(shù)據(jù)預(yù)處理的訓(xùn)練集和測(cè)試集上,進(jìn)一步對(duì)比測(cè)試了本文方法、文獻(xiàn) [2]中的GFA方法、文獻(xiàn) [5]中的數(shù)據(jù)不一致率算法和文獻(xiàn) [6]中的KPCA算法,篩選的特征向量根據(jù)相關(guān)文獻(xiàn)的方法獲得。測(cè)試結(jié)果見表2。

    表2 本文方法和其它方法的對(duì)比測(cè)試結(jié)果

    表3的結(jié)果顯示,本文方法的誤報(bào)率和建模時(shí)間略高于其它的方法,測(cè)試時(shí)間與其它方法相近,但其具有最高的檢測(cè)準(zhǔn)確率。且本文方法在數(shù)據(jù)檢測(cè)時(shí)提取的特征維數(shù)少,也有效降低了系統(tǒng)的數(shù)據(jù)處理難度。

    5 結(jié)束語

    針對(duì)入侵檢測(cè)中的特征提取和檢測(cè)準(zhǔn)確率問題,本文提出一種基于特征選擇和SVM相結(jié)合的異常檢測(cè)方法。該方法采用基于分類模型分類準(zhǔn)確率計(jì)算的特征選擇算法,篩選出盡量少但能夠準(zhǔn)確識(shí)別數(shù)據(jù)的最優(yōu)特征組合,并將其與支持向量機(jī)分類算法相結(jié)合,以獲得好的檢測(cè)效果。實(shí)驗(yàn)測(cè)試結(jié)果表明,本文方法有效提高了檢測(cè)準(zhǔn)確率,降低了檢測(cè)時(shí)間,并降低了系統(tǒng)的數(shù)據(jù)處理難度。在將來的工作中,將進(jìn)一步分析不同的核函數(shù)對(duì)分類準(zhǔn)確率的影響并進(jìn)行優(yōu)化,降低誤報(bào)率。

    [1]WANG Yanhua,TIAN Shengfeng,HUANG Houkuan.Feature weighted support vector machine [J].Journal of Electronics &Information Technology,2009,31 (3):514-518 (in Chinese).[汪延華,田盛豐,黃厚寬.特征加權(quán)支持向量機(jī)[J],電子與信息學(xué)報(bào),2009,31 (3):514-518.]

    [2]Li Y.An efficient intrusion detection system based on support vector machines and gradually feature removal method [J].Expert System with Applications,2012,39 (1):424-430.

    [3]Carlos A Catania,F(xiàn)acundo Bromberg.An autonomous labeling approach to support vector machines algorithms for network traffic anomaly detection [J].Expert Systems with Applications,2012,39 (2):1822-1829.

    [4]ZHANG Xueqin,GU Chunhua.A method of feture extraction[J].Journal of South China University of Technology(Natural Science Edition),2010,38 (1):81-86 (in Chinese). [張雪芹,顧春華.一種網(wǎng)絡(luò)特征提取方法 [J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,38 (1):81-86.]

    [5]CHEN Tieming,MA Jixia,XUAN Yiguang.Fast feature selection method and its application in intrusion detection [J].Journal of Communications,2010,31 (9A):233-238 (in Chinese).[陳鐵明,馬繼霞,宣以廣.快速特征選擇方法及其在入侵檢測(cè)中的應(yīng)用 [J].通信學(xué)報(bào),2010,31 (9A):233-238.]

    [6]BAO Panqing,YANG Mingfu.Network intrusion detection based on KPCA and SVM [J].Computer Application and Software,2006,23 (2):125-127 (in Chinese). [包潘晴,楊明福.基于KPCA和SVM的網(wǎng)絡(luò)入侵檢測(cè) [J].計(jì)算機(jī)應(yīng)用與軟件,2006,23 (2):125-127.]

    [7]Hsu C W,Chang C C,Lin C J.A practical guide to support vector classification [EB/OL].[2010-04-15].http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf.

    [8]KDD Cup 99KDD dataset [EB/OL].[2011-06-16].http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html.

    [9]LibSVM [EB/OL].[2011-04-01].http://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html.

    [10]Chang ChihChung,Lin ChihJen.LIBSVM:A library for support vector machines [J].ACM Transactions on Intelligent Systems and Technology,2011,2 (3):1-27.

    猜你喜歡
    特征選擇準(zhǔn)確率向量
    向量的分解
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    聚焦“向量與三角”創(chuàng)新題
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    向量垂直在解析幾何中的應(yīng)用
    聯(lián)合互信息水下目標(biāo)特征選擇算法
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    亚洲丝袜综合中文字幕| 欧美精品一区二区大全| 99久久精品热视频| 国产成人精品婷婷| 日本欧美国产在线视频| tube8黄色片| 精品人妻熟女毛片av久久网站| 有码 亚洲区| 极品人妻少妇av视频| 天美传媒精品一区二区| 国产淫片久久久久久久久| 国产深夜福利视频在线观看| 女人久久www免费人成看片| 亚洲精品乱码久久久久久按摩| 99久久中文字幕三级久久日本| 嫩草影院新地址| 少妇人妻精品综合一区二区| 日韩视频在线欧美| 欧美日韩综合久久久久久| 免费观看a级毛片全部| 激情五月婷婷亚洲| 一本一本综合久久| 日日啪夜夜爽| 日日摸夜夜添夜夜添av毛片| 久久久久国产网址| 国产成人精品福利久久| 亚洲欧美日韩东京热| 欧美激情国产日韩精品一区| 中文资源天堂在线| 不卡视频在线观看欧美| 黑丝袜美女国产一区| 亚洲第一区二区三区不卡| 美女脱内裤让男人舔精品视频| 在线天堂最新版资源| 我的老师免费观看完整版| 亚洲欧美精品自产自拍| 亚洲精品aⅴ在线观看| 亚洲av欧美aⅴ国产| av免费观看日本| 我要看日韩黄色一级片| 亚洲av免费高清在线观看| 嫩草影院入口| 男的添女的下面高潮视频| 婷婷色麻豆天堂久久| 午夜福利在线观看免费完整高清在| 国产精品人妻久久久久久| 亚洲三级黄色毛片| 91精品一卡2卡3卡4卡| 黄色配什么色好看| 麻豆成人av视频| 国产欧美亚洲国产| 国产在线免费精品| 国产一区二区三区综合在线观看 | 自拍欧美九色日韩亚洲蝌蚪91 | 国产av精品麻豆| 欧美bdsm另类| 一区二区三区免费毛片| 又爽又黄a免费视频| 国产精品一区二区在线观看99| 观看av在线不卡| 美女xxoo啪啪120秒动态图| 日韩 亚洲 欧美在线| 日韩电影二区| 男人舔奶头视频| 日本猛色少妇xxxxx猛交久久| 国产亚洲精品久久久com| 97在线人人人人妻| 国产成人精品久久久久久| 桃花免费在线播放| 一本一本综合久久| 赤兔流量卡办理| 交换朋友夫妻互换小说| 丰满乱子伦码专区| 一级黄片播放器| 人人妻人人看人人澡| 亚洲精品视频女| 男女边吃奶边做爰视频| 三级国产精品片| 亚洲无线观看免费| 黄片无遮挡物在线观看| 亚洲,一卡二卡三卡| 18禁动态无遮挡网站| 国产成人一区二区在线| 99热国产这里只有精品6| 国产成人免费无遮挡视频| 欧美 日韩 精品 国产| 日本黄色日本黄色录像| 草草在线视频免费看| 男男h啪啪无遮挡| 久久精品国产鲁丝片午夜精品| 伦理电影大哥的女人| 精品国产乱码久久久久久小说| 国产黄片视频在线免费观看| 99久久人妻综合| 国产黄片美女视频| 少妇人妻久久综合中文| 精品一区二区三区视频在线| 国产伦在线观看视频一区| 亚洲欧美精品专区久久| 美女内射精品一级片tv| 精品亚洲成国产av| 成人毛片a级毛片在线播放| 久久久国产一区二区| 国产 精品1| 久久久欧美国产精品| 这个男人来自地球电影免费观看 | 日韩 亚洲 欧美在线| 人人妻人人看人人澡| 国产亚洲5aaaaa淫片| 99九九线精品视频在线观看视频| 九九爱精品视频在线观看| 色94色欧美一区二区| 看非洲黑人一级黄片| 亚洲色图综合在线观看| 精品亚洲成国产av| 国产黄色免费在线视频| 午夜福利视频精品| 一级毛片aaaaaa免费看小| 精品人妻偷拍中文字幕| 狂野欧美激情性xxxx在线观看| 国产日韩欧美视频二区| 国产白丝娇喘喷水9色精品| 免费播放大片免费观看视频在线观看| 在线观看三级黄色| 国产亚洲一区二区精品| h日本视频在线播放| 菩萨蛮人人尽说江南好唐韦庄| 亚洲精品国产av成人精品| 日本欧美视频一区| 自拍偷自拍亚洲精品老妇| 久久久精品94久久精品| 男人狂女人下面高潮的视频| 精品国产露脸久久av麻豆| 一本—道久久a久久精品蜜桃钙片| 最近手机中文字幕大全| 国产精品人妻久久久久久| 国产一区二区三区av在线| 国产成人免费无遮挡视频| 国产日韩欧美亚洲二区| 日本-黄色视频高清免费观看| xxx大片免费视频| 成年人午夜在线观看视频| 在线观看免费视频网站a站| 看免费成人av毛片| 欧美日韩精品成人综合77777| 久久久精品94久久精品| 熟女人妻精品中文字幕| 国产精品.久久久| 亚洲伊人久久精品综合| 欧美日韩av久久| 欧美高清成人免费视频www| 黄片无遮挡物在线观看| 久久97久久精品| 内地一区二区视频在线| 国产免费一级a男人的天堂| 欧美国产精品一级二级三级 | 精品久久久久久电影网| 欧美精品亚洲一区二区| 亚洲在久久综合| 日韩精品有码人妻一区| 精品人妻熟女av久视频| 亚洲精品一二三| 69精品国产乱码久久久| 在现免费观看毛片| 一个人看视频在线观看www免费| 看非洲黑人一级黄片| 插阴视频在线观看视频| 久久婷婷青草| 搡女人真爽免费视频火全软件| 春色校园在线视频观看| 精品少妇黑人巨大在线播放| 中国三级夫妇交换| 建设人人有责人人尽责人人享有的| 国产成人freesex在线| 少妇人妻久久综合中文| 国产视频内射| 欧美激情极品国产一区二区三区 | 少妇被粗大猛烈的视频| 水蜜桃什么品种好| 亚洲av二区三区四区| 精品午夜福利在线看| 亚洲人与动物交配视频| www.av在线官网国产| www.色视频.com| 在线 av 中文字幕| 国产一区二区三区综合在线观看 | 日本av免费视频播放| 日日爽夜夜爽网站| 国产欧美日韩精品一区二区| 精品一区二区免费观看| 久久久久国产精品人妻一区二区| 久久久久久久久久人人人人人人| 在线观看国产h片| 亚洲精品乱码久久久v下载方式| 永久网站在线| 少妇猛男粗大的猛烈进出视频| 又黄又爽又刺激的免费视频.| 久久免费观看电影| 国产成人a∨麻豆精品| 成人综合一区亚洲| 26uuu在线亚洲综合色| 国产精品久久久久成人av| 亚洲丝袜综合中文字幕| 日本vs欧美在线观看视频 | 少妇人妻一区二区三区视频| 国产精品久久久久久av不卡| 亚洲丝袜综合中文字幕| 亚洲国产精品专区欧美| 免费在线观看成人毛片| 制服丝袜香蕉在线| 黄色毛片三级朝国网站 | 免费大片18禁| 欧美97在线视频| 黄片无遮挡物在线观看| 人妻少妇偷人精品九色| 欧美最新免费一区二区三区| 国产精品女同一区二区软件| av在线老鸭窝| 免费观看a级毛片全部| 国产免费一区二区三区四区乱码| 18+在线观看网站| 国产 一区精品| 在线观看美女被高潮喷水网站| 人妻人人澡人人爽人人| 久久久久人妻精品一区果冻| 国产成人aa在线观看| 久久这里有精品视频免费| 大话2 男鬼变身卡| 日韩三级伦理在线观看| 最后的刺客免费高清国语| 欧美 日韩 精品 国产| 少妇的逼水好多| 国产一区二区在线观看日韩| 久久精品夜色国产| 肉色欧美久久久久久久蜜桃| 偷拍熟女少妇极品色| 国产高清三级在线| 人人妻人人澡人人看| 熟女人妻精品中文字幕| 岛国毛片在线播放| 亚洲欧洲日产国产| 老女人水多毛片| 亚洲精品日韩在线中文字幕| 夜夜骑夜夜射夜夜干| a级片在线免费高清观看视频| 又大又黄又爽视频免费| 秋霞在线观看毛片| 边亲边吃奶的免费视频| 插阴视频在线观看视频| 看免费成人av毛片| 9色porny在线观看| 国产欧美日韩精品一区二区| 97超视频在线观看视频| 18禁动态无遮挡网站| 国产女主播在线喷水免费视频网站| 亚洲色图综合在线观看| 男女无遮挡免费网站观看| 精华霜和精华液先用哪个| 人妻少妇偷人精品九色| 免费av不卡在线播放| av天堂久久9| 亚洲人成网站在线播| 亚洲精品视频女| 久久午夜福利片| 日日摸夜夜添夜夜添av毛片| 一边亲一边摸免费视频| av黄色大香蕉| 久久99精品国语久久久| 一本一本综合久久| 成人亚洲欧美一区二区av| 汤姆久久久久久久影院中文字幕| 婷婷色综合www| 欧美+日韩+精品| 精品午夜福利在线看| 如何舔出高潮| 中文欧美无线码| 一本一本综合久久| 欧美日韩综合久久久久久| 观看美女的网站| 青春草视频在线免费观看| 国产欧美日韩综合在线一区二区 | 国产精品人妻久久久久久| 精品久久久久久电影网| 中文字幕免费在线视频6| 午夜福利在线观看免费完整高清在| 有码 亚洲区| 国产美女午夜福利| 国产成人精品无人区| 91精品伊人久久大香线蕉| 午夜福利,免费看| xxx大片免费视频| 亚洲不卡免费看| 午夜日本视频在线| 欧美日韩av久久| 久久久久久久久久人人人人人人| 男男h啪啪无遮挡| 在线播放无遮挡| xxx大片免费视频| 中文字幕制服av| 这个男人来自地球电影免费观看 | 丝袜喷水一区| 极品人妻少妇av视频| 啦啦啦啦在线视频资源| 蜜臀久久99精品久久宅男| 免费观看的影片在线观看| 五月开心婷婷网| 亚洲欧洲精品一区二区精品久久久 | 美女福利国产在线| 日本黄色日本黄色录像| 久久99热这里只频精品6学生| 国产又色又爽无遮挡免| 国产国拍精品亚洲av在线观看| 国产乱人偷精品视频| 日本av免费视频播放| 少妇 在线观看| 久久99一区二区三区| 国模一区二区三区四区视频| 欧美最新免费一区二区三区| av卡一久久| 97超碰精品成人国产| 国产亚洲91精品色在线| 日韩视频在线欧美| av又黄又爽大尺度在线免费看| 成年av动漫网址| 亚洲欧美精品专区久久| 国产中年淑女户外野战色| 寂寞人妻少妇视频99o| 91精品国产国语对白视频| 人妻一区二区av| 日本猛色少妇xxxxx猛交久久| 欧美精品高潮呻吟av久久| 69精品国产乱码久久久| 色视频www国产| 日韩av在线免费看完整版不卡| 国产精品久久久久成人av| 人人妻人人澡人人爽人人夜夜| 国产精品女同一区二区软件| 亚洲,欧美,日韩| 国产亚洲午夜精品一区二区久久| 日韩精品免费视频一区二区三区 | 99re6热这里在线精品视频| 精品久久久久久久久av| 欧美一级a爱片免费观看看| 亚洲国产精品专区欧美| 久久精品国产亚洲av天美| 亚洲欧美精品专区久久| 亚洲av综合色区一区| 亚洲精品自拍成人| 在线免费观看不下载黄p国产| 国产精品一区二区性色av| 国语对白做爰xxxⅹ性视频网站| 久久女婷五月综合色啪小说| 六月丁香七月| 99精国产麻豆久久婷婷| 精品久久久精品久久久| 美女脱内裤让男人舔精品视频| 一二三四中文在线观看免费高清| 日韩熟女老妇一区二区性免费视频| 人人妻人人添人人爽欧美一区卜| 99国产精品免费福利视频| 国产精品一区二区在线不卡| 久久久欧美国产精品| 欧美少妇被猛烈插入视频| 中文字幕久久专区| 精品久久国产蜜桃| 在线观看免费视频网站a站| 大片电影免费在线观看免费| 久热这里只有精品99| 国产男女内射视频| 青春草视频在线免费观看| 在线观看三级黄色| 美女中出高潮动态图| 国产亚洲91精品色在线| 日韩精品免费视频一区二区三区 | 麻豆精品久久久久久蜜桃| 老司机影院毛片| 一级二级三级毛片免费看| 久久这里有精品视频免费| 美女国产视频在线观看| 日本黄色片子视频| 九九在线视频观看精品| 国产日韩一区二区三区精品不卡 | 久久韩国三级中文字幕| 国产欧美日韩精品一区二区| 亚洲av成人精品一二三区| 国产精品嫩草影院av在线观看| 久久久久久久久久成人| 啦啦啦中文免费视频观看日本| 高清视频免费观看一区二区| 校园人妻丝袜中文字幕| 国产在线免费精品| 国产精品久久久久久av不卡| 色网站视频免费| 欧美日韩国产mv在线观看视频| 黄色日韩在线| 免费观看的影片在线观看| 国产精品久久久久久久电影| 日本欧美国产在线视频| 22中文网久久字幕| 少妇熟女欧美另类| 免费观看a级毛片全部| 亚洲成人一二三区av| av免费观看日本| 极品教师在线视频| www.色视频.com| 在线观看人妻少妇| 久久久久视频综合| 久久婷婷青草| 成人影院久久| 久久鲁丝午夜福利片| 久久国产亚洲av麻豆专区| 欧美日本中文国产一区发布| 精品国产国语对白av| 欧美日韩综合久久久久久| 最后的刺客免费高清国语| 欧美日韩一区二区视频在线观看视频在线| 春色校园在线视频观看| 永久免费av网站大全| 国产美女午夜福利| 久久99精品国语久久久| 丝袜在线中文字幕| 日本wwww免费看| 在线观看人妻少妇| 色哟哟·www| 少妇被粗大的猛进出69影院 | 久久99精品国语久久久| 美女视频免费永久观看网站| 草草在线视频免费看| 国产在线一区二区三区精| 最近最新中文字幕免费大全7| 日本欧美视频一区| 97在线视频观看| 中国美白少妇内射xxxbb| 国产日韩一区二区三区精品不卡 | 大陆偷拍与自拍| 99九九在线精品视频 | 七月丁香在线播放| 又爽又黄a免费视频| 国产一区亚洲一区在线观看| 日韩欧美一区视频在线观看 | 波野结衣二区三区在线| 免费观看的影片在线观看| 欧美精品一区二区大全| 三级国产精品片| 五月伊人婷婷丁香| 伊人久久国产一区二区| 午夜激情久久久久久久| 黄色欧美视频在线观看| 搡老乐熟女国产| 久久精品国产亚洲av涩爱| 免费观看无遮挡的男女| 中文字幕人妻丝袜制服| 精品一区二区三区视频在线| 天堂中文最新版在线下载| 毛片一级片免费看久久久久| 久久鲁丝午夜福利片| 一二三四中文在线观看免费高清| 99视频精品全部免费 在线| 国产老妇伦熟女老妇高清| 制服丝袜香蕉在线| 王馨瑶露胸无遮挡在线观看| 日韩,欧美,国产一区二区三区| 老司机影院毛片| 91精品伊人久久大香线蕉| 国产熟女欧美一区二区| 老司机影院成人| 男女啪啪激烈高潮av片| 晚上一个人看的免费电影| 色婷婷av一区二区三区视频| 中文字幕久久专区| 久久人人爽av亚洲精品天堂| 国产黄片美女视频| 中文乱码字字幕精品一区二区三区| 婷婷色麻豆天堂久久| 欧美 日韩 精品 国产| 日本wwww免费看| 成人综合一区亚洲| 久久人人爽av亚洲精品天堂| 日韩熟女老妇一区二区性免费视频| 最后的刺客免费高清国语| 成人毛片a级毛片在线播放| 秋霞在线观看毛片| 视频区图区小说| 久久国产精品男人的天堂亚洲 | 亚洲综合色惰| 亚洲丝袜综合中文字幕| 日本av手机在线免费观看| 亚洲av二区三区四区| 色婷婷久久久亚洲欧美| 国产黄色免费在线视频| 国产欧美日韩一区二区三区在线 | 亚洲欧美清纯卡通| 日韩av在线免费看完整版不卡| 香蕉精品网在线| 美女国产视频在线观看| av专区在线播放| 日本爱情动作片www.在线观看| 最近中文字幕2019免费版| 成年人午夜在线观看视频| 亚洲欧美精品专区久久| 精品人妻一区二区三区麻豆| 国产亚洲午夜精品一区二区久久| 人妻制服诱惑在线中文字幕| 中文字幕精品免费在线观看视频 | av福利片在线观看| 在线 av 中文字幕| av播播在线观看一区| 亚洲国产精品国产精品| 黑人猛操日本美女一级片| 免费大片黄手机在线观看| 2021少妇久久久久久久久久久| 国产女主播在线喷水免费视频网站| 亚洲四区av| 永久网站在线| 人妻人人澡人人爽人人| 成人亚洲欧美一区二区av| 少妇猛男粗大的猛烈进出视频| 免费av不卡在线播放| 一区二区三区免费毛片| 国产有黄有色有爽视频| 国产亚洲精品久久久com| 伊人亚洲综合成人网| 人妻少妇偷人精品九色| 亚洲av欧美aⅴ国产| 黄色视频在线播放观看不卡| 纵有疾风起免费观看全集完整版| 亚洲国产色片| 两个人的视频大全免费| 亚洲四区av| 在线看a的网站| av不卡在线播放| 九九在线视频观看精品| 久久国内精品自在自线图片| 午夜福利在线观看免费完整高清在| 2021少妇久久久久久久久久久| 日本-黄色视频高清免费观看| 午夜福利影视在线免费观看| 全区人妻精品视频| 免费观看的影片在线观看| 欧美xxⅹ黑人| 热99国产精品久久久久久7| 成年美女黄网站色视频大全免费 | 成人特级av手机在线观看| 在线观看一区二区三区激情| 女人精品久久久久毛片| 亚洲av在线观看美女高潮| 美女国产视频在线观看| 乱人伦中国视频| 亚洲国产av新网站| 国产日韩欧美亚洲二区| 色婷婷av一区二区三区视频| 久久久a久久爽久久v久久| 亚洲伊人久久精品综合| 国产一区有黄有色的免费视频| 一级片'在线观看视频| 99久久精品一区二区三区| a级毛片免费高清观看在线播放| 国产在线男女| 99九九线精品视频在线观看视频| 99国产精品免费福利视频| 亚洲色图综合在线观看| 岛国毛片在线播放| 99九九在线精品视频 | 好男人视频免费观看在线| 夫妻性生交免费视频一级片| 一本久久精品| 亚洲欧美精品自产自拍| 欧美精品亚洲一区二区| 亚洲激情五月婷婷啪啪| 国产亚洲一区二区精品| 国产一区二区三区av在线| 超碰97精品在线观看| 国产熟女午夜一区二区三区 | 一级黄片播放器| 亚洲国产精品专区欧美| 尾随美女入室| 夜夜骑夜夜射夜夜干| 国产精品偷伦视频观看了| 欧美精品高潮呻吟av久久| 欧美日韩视频高清一区二区三区二| 制服丝袜香蕉在线| 亚洲国产欧美日韩在线播放 | 十八禁网站网址无遮挡 | 一区在线观看完整版| 久久国产精品男人的天堂亚洲 | 成人特级av手机在线观看| 国产精品一区二区在线观看99| 少妇 在线观看| 色吧在线观看| a级片在线免费高清观看视频| 99久久精品国产国产毛片| 婷婷色综合大香蕉| 日韩精品免费视频一区二区三区 | 搡女人真爽免费视频火全软件| 国产在线男女| 最近手机中文字幕大全| 如日韩欧美国产精品一区二区三区 | 亚洲人与动物交配视频| 99久久精品热视频| 欧美老熟妇乱子伦牲交| 亚洲国产最新在线播放| freevideosex欧美| 91成人精品电影| 观看美女的网站| 两个人的视频大全免费| 久久精品国产鲁丝片午夜精品| 中国国产av一级| 三级国产精品欧美在线观看| 晚上一个人看的免费电影| 丰满乱子伦码专区| 人体艺术视频欧美日本| 亚洲国产欧美日韩在线播放 | 欧美97在线视频| 国产高清国产精品国产三级| 久久鲁丝午夜福利片|