基于鸡群算法和核极限学习机的入侵检测模型

作者：谭敏生; 蔡畅

来源：自动化与仪器仪表, 2020, (12): 1-5.

DOI：10.14016/j.cnki.1001-9227.2020.12.001

• 鸡群优化算法
• 核极限学习机
• 特征选择
• 分类器参数优化
• 入侵检测

为了提高入侵检测系统的检测精度和效率,提出一种基于改进鸡群算法(ICSO)和核极限学习机(KELM)的入侵检测模型(ICSO-KELM)。考虑到模型中特征选择与分类器参数优化的相互影响,利用具有较好全局优化能力的改进鸡群优化算法优化核极限学习机正规化系数和核函数参数的同时选择最优特征子集。仿真实验结果表明,该方法有效地适配了入侵检测中的特征选择和分类器参数,与SVM、KNN等方法相比,其检测准确率和效率有明显提升,误报率也有所降低。

• 单位
  南华大学