AR-OSELM算法在网络入侵检测中的应用研究

doi:10.3969/j.issn.1671-1122.2018.06.001

信息网络安全 ›› 2018, Vol. 18 ›› Issue (6): 1-6.doi: 10.3969/j.issn.1671-1122.2018.06.001

• • 下一篇

AR-OSELM算法在网络入侵检测中的应用研究

魏书宁^1,², 陈幸如^1,²(), 焦永^1,², 王进^1,²

1.湖南师范大学信息科学与工程学院,湖南长沙410006
2.湖南师范大学物联网技术及应用重点实验室,湖南长沙410006

收稿日期:2018-03-12 出版日期:2018-06-15 发布日期:2020-05-11
作者简介:
作者简介：魏书宁(1979—), 女,湖南,副教授, 博士,主要研究方向为智能控制、数据分析等;陈幸如(1994—),女,安徽,硕士研究生,主要研究方向为神经网络、大数据分析;焦永（1979—）,男,山东,讲师,硕士,主要研究方向为微处理设计;王进（1981—）,男,江苏,讲师,硕士,主要研究方向为嵌入式与信息安全。
基金资助:
国家自然科学基金[61472437];湖南省教育厅一般项目[531120];湖南师大自然科学研究项目[物160432]

Research on the Application of AR-OSELM Algorithm in Network Intrusion Detection

Shuning WEI^1,², Xingru CHEN^1,²(), Yong JIAO^1,², Jin WANG^1,²

1. College of Information Science and Engineering, Hunan Normal University, Changsha Hunan 410006, China
2. Internet of Things Technology and Application Key Lab, Hunan Normal University, Changsha Hunan 410006, China

Received:2018-03-12 Online:2018-06-15 Published:2020-05-11

摘要/Abstract

摘要：

文章针对增量网络入侵数据属性冗余导致的传统学习算法效率低、检测精度差等问题,提出一种基于粗糙集属性约简的在线序贯极限学习机（AR-OSELM）方法。该方法首先对入侵数据采用粗糙集正域和分辨矩阵的方法获得属性核,筛选出无冗余属性的特征集合,然后使用在线序贯极限学习机作为分类算法进行分类。仿真实验结果表明,与BP、ELM及HELM神经网络算法相比,AR-OSELM算法对增量数据的学习和训练效率更高,入侵检测准确,误报率较低。算法有较好的泛化能力,为网络入侵检测提供了一种新的方法。

关键词: 网络入侵检测, 粗糙集, 属性约简, 在线序贯极限学习机

Abstract:

Considering the low learning efficiency and poor detection precision of the traditional learning algorithms caused by the redundant attributes of the incremental network intrusion data, this paper proposes an online sequential extreme learning machine algorithm based on attributes reduction in rough set (AR-OSELM). Firstly, the attribute kernels are obtained by using the methods of rough set positive domain and discernibility matrix on intrusion data ,thus characteristic collections of non-redundant attributes are obtained. Then using the online sequential extreme learning machine as the classification algorithm to classify the data sets. The results of the simulation experiment show that that the AR-OSELM algorithm is more efficient in learning and training incremental data and has lower error rates with comparison to BP, ELM and HELM algorithms. The AR-OSELM algorithm has better ability of generalization than other tradition algorithms which provides a new method for network intrusion detection.

Key words: network intrusion detection, rough set, attributes reduction, OSELM

中图分类号:

TP309

魏书宁, 陈幸如, 焦永, 王进. AR-OSELM算法在网络入侵检测中的应用研究[J]. 信息网络安全, 2018, 18(6): 1-6.

Shuning WEI, Xingru CHEN, Yong JIAO, Jin WANG. Research on the Application of AR-OSELM Algorithm in Network Intrusion Detection[J]. Netinfo Security, 2018, 18(6): 1-6.

图/表 7

参考文献 10

[1]	CHEN Shanxiong, PENG Maoling, PENG Xihua.A Network Intrusion Detection Method Based on Partial Least Squares[J].Netinfo Security,2016, 16(1):6-10.
	陈善雄,彭茂玲,彭喜化. 一种基于偏最小二乘的网络入侵检测方法分析[J].信息网络安全,2016, 16(1):6-10.
[2]	LIU Hongli,LI Lu,HU Jiusong.WSNs Intrusion Detection Algorithm Based on CS-CPSO and SVM fusion[J]. Transducer and Microsystem Technologies,2017,36(9):110-112.
	刘宏立,李璐,胡久松. 基于CS-CPSO与SVM融合的WSNs入侵检测算法[J]. 传感器与微系统,2017,36(9):110-112.
[3]	JING Xiaopei, WANG Houxiang, NIE Kai, et al.Feature Selection Algorithm Based on IMGA and MKSVM Oriented to Intrusion Detection[J].Computer Science,2012,39(7):96-99,111.
	井小沛,汪厚祥,聂凯,等. 面向入侵检测的基于IMGA和MKSVM的特征选择算法[J].计算机科学,2012,39(7):96-99,111.
[4]	QI Mingyu, LIU Ming, FU Yanming.Research on Network Intrusion Detection Using Support Vector Machines Based on Principal Component Analysis[J].Netinfo Security,2015, 15(2):15-18.
	戚名钰,刘铭,傅彦铭. 基于PCA 的 SVM 网络入侵检测研究[J].信息网络安全,2015, 15(2):15-18.
[5]	SHEN Xiajiong, WANG Long, HAN Daojun.Application of BP Neural Network Optimized by Artificial Bee Colony in Intrusion Detection[J]. Computer Engineering, 2016(2):190-194.
	沈夏炯,王龙,韩道军.人工蜂群优化的BP神经网络在入侵检测中的应用[J].计算机工程. 2016(2):190-194.
[6]	WEI Shuning, CHEN Xingru,TANG Yong,et al.Research on the Application of AR-HELM in Network Traffic Classification[J].Netinfo Security,2018, 18(1):9-14
	魏书宁,陈幸如,唐勇,等. AR-HELM算法在网络流量分类中的应用研究[J].信息网络安全,2018, 18(1):9-14.
[7]	HUANG Guangbin, ZHOU Hongming, DING Xiaojian, et al.Extreme Learning Machine for Regression and Multiclass Classification[J].IEEE Transaction on Systems, Man, Cybernetics- Part B: Cybernetics, 2012,42(2):513-529.
[8]	HUANG Guangbin, ZHU Qinyu, SIEW C K.Extreme Learning Machine: Theory and Applications[J].Neurocomputing,2006,70(1):489-501.
[9]	LIANG Nanying, HUANG Guangbin, SARATCHANDRAN P, et al.A Fast and Accurate Online Sequential Learning Algorithm for Feedforward Networks[J]. IEEE Transaction on Neural Networks,2006,17(6): 1411-1423.
[10]	HUANG Wentao, WANG Weijie, ZHAO Xuezeng,et al.Extracting Rules for Fault Diagnosis from Incomplete Data Based on Discernibility Matrix Primitive[J]. Journal of Mechanical Engineering, 2009,45(9):46-51.
	黄文涛,王伟杰,赵学增,等.基于分辨矩阵基元的不完备故障诊断系统的规则提取技术[J]. 机械工程学报,2009,45(9):46-51.

[1]	段詠程, 王雨晴, 李欣, 杨乐. 基于RSAR的随机森林网络安全态势要素提取[J]. 信息网络安全, 2019, 19(7): 75-81.
[2]	饶绪黎, 徐彭娜, 陈志德, 许力. 基于不完全信息的深度学习网络入侵检测[J]. 信息网络安全, 2019, 19(6): 53-60.
[3]	魏书宁, 陈幸如, 唐勇, 刘慧. AR-HELM算法在网络流量分类中的应用研究[J]. 信息网络安全, 2018, 18(1): 9-14.
[4]	杨晶, 赵鑫, 芦天亮. 基于logs2intrusions与Web Log Explorer的综合取证分析研究[J]. 信息网络安全, 2017, 17(3): 33-38.
[5]	范渊, 刘志乐, 王吉文. 一种基于模糊粗糙集的网络态势评估方法研究[J]. 信息网络安全, 2015, 15(9): 58-61.
[6]	戚名钰, 刘铭, 傅彦铭. 基于PCA的SVM网络入侵检测研究[J]. 信息网络安全, 2015, 15(2): 15-18.
[7]	程晋;严承华;樊攀星. 基于RBR和CBR的网络入侵检测系统模型[J]. , 2013, 13(7): 0-0.
[8]	王燕华;范涵冰. 基于粗糙集与概念格的入侵检测模型研究[J]. , 2013, 13(7): 0-0.
[9]	刘军. 基于叶枝比率的决策树构建算法[J]. , 2013, 13(2): 0-0.
[10]	方舟;黄俊强;王希忠. 基于粗糙集神经网络的信息安全等保测评方法[J]. , 2012, 12(Z): 0-0.
[11]	陈帆;林和;石周;崔伟男. 基于互信息变化率的属性约简算法[J]. , 2012, 12(7): 0-0.
[12]	陈令. 基于粗糙集的一类彩色验证码识别研究[J]. , 2012, 12(6): 0-0.
[13]	刘秀如. 基于粗糙集理论在公安工作中的研究[J]. , 2011, 11(6): 0-0.
[14]	陈斌. 构建安全可靠的网络入侵检测系统[J]. , 2010, (5): 0-0.

AR-OSELM算法在网络入侵检测中的应用研究

Research on the Application of AR-OSELM Algorithm in Network Intrusion Detection

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 10

相关文章 14

编辑推荐

Metrics

本文评价