科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了提高机器学习的能力,本文提出一种针基于支持向量机的机器学习IDS攻击样本的逼近代价方法,利用KKT条件把双层优化转变为单层优化的问题再对其实施求解,同时构建了单层优化的具体方法。当迭代处理λ取值为0.05与0.25的时候更易处于稳定收敛状态,λ取值为0.05时可以更快收敛;在不断的迭代过程中α值持续变小,设定取α=1/t时逼近代价将达到一个最小收敛值。SVM攻击样本可以实现召回率的快速降低,并保持正常的流量状态,并获得比BPA方法更优的攻击效果。
- 单位
为了提高机器学习的能力,本文提出一种针基于支持向量机的机器学习IDS攻击样本的逼近代价方法,利用KKT条件把双层优化转变为单层优化的问题再对其实施求解,同时构建了单层优化的具体方法。当迭代处理λ取值为0.05与0.25的时候更易处于稳定收敛状态,λ取值为0.05时可以更快收敛;在不断的迭代过程中α值持续变小,设定取α=1/t时逼近代价将达到一个最小收敛值。SVM攻击样本可以实现召回率的快速降低,并保持正常的流量状态,并获得比BPA方法更优的攻击效果。
