文献类型：期刊文章

作　　者：杨武[1] 云晓春[1] 李建华[1]

机构地区：[1]哈尔滨工程大学信息安全研究中心,哈尔滨150001

出　　处：《计算机研究与发展》

基　　金：国家自然科学基金项目(60403033)

年　　份：2006

卷　　号：43

期　　号：7

起止页码：1252-1259

语　　种：中文

收录情况：AJ、BDHX、BDHX2004、CSA-PROQEUST、CSCD、CSCD2011_2012、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：在入侵检测研究领域中,提高检测模型的检测率并降低误报率是一个重要的研究课题.在对归纳学习理论深入研究的基础上,将规则学习算法应用到入侵检测建模中.针对审计训练数据不足时出现的检测精度下降的情况,提出了一种基于强化规则学习的高效入侵检测方法EAIDBRL(efficientapproachtointrusiondetectionbasedonboostingrulelearning).在EAIDBRL方法中,首先调整传统Boosting算法的权重更新过程在各个预测目标类内部进行,以消除退化现象;然后修改传统规则学习算法中规则生长和规则剪枝过程的评价准则函数;最后使用改进后的Boosting算法来增强弱规则学习器对网络审计数据的分类性能.标准入侵检测数据集上的测试结果表明,EAIDBRL方法能够较大地提高传统规则学习检测模型在小样本条件下的入侵检测性能.

关 键 词：网络安全 入侵检测 规则学习  泛化性能 检测率 误报率

分 类 号：TP393.08]