文献类型：期刊文章

作　　者：陈孝文[1] 张安琳[2] 黄道颖[1] 李建春[1] 李航天[1]

CHEN Xiaowen;ZHANG Anlin;HUANG Daoying;LI Jianchun;LI Hangtian(College of Computer and Communication Engineering,Zhengzhou University of Light Industry,Zhengzhou 450001,China;Engineering Training Center,Zhengzhou University of Light Industry,Zhengzhou 450001,China)

机构地区：[1]郑州轻工业大学计算机与通信工程学院,郑州450001 [2]郑州轻工业大学工程训练中心,郑州450001

出　　处：《火力与指挥控制》

基　　金：国家科技支撑计划基金(2006BAK01A38);河南省教育厅基础研究基金资助项目(15A120020)。

年　　份：2022

卷　　号：47

期　　号：10

起止页码：152-158

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：在基于决策树的入侵检测模型中,入侵检测数据集中冗余和不相关的特征字段影响分类器的性能,存在训练效率低下的问题。提出一种改进的鸽子启发优化(pigeon-inspired optimization,PIO)算法(称为Jaccardcrossover PIO,JCPIO)来优化减少入侵检测数据集的特征字段。JCPIO使用PIO算法实现特征字段的选择优化,其中,通过Jaccard相似度定义鸽子速度,对鸽子个体进行离散二值化,通过在landmark算子操作中引入交叉操作,增加解空间的多样性,找到全局最优解。实验结果表明,JCPIO在保证入侵检测模型准确性的前提下,将原始数据集中的数据量减少了82.9%,增加了模型的训练效率;与传统的特征选择算法相比,识别模型的准确率提高了2.6%~5.5%,误报率降低了6.43%~14.33%。

关 键 词：特征选择  入侵检测 鸽群优化  决策树 KDDCUP99数据集  

分 类 号：TP393]