基于MDM的KELM学习器选择性集成网络入侵检测

摘要

采用集成学习模式进行入侵检测时,可以获得比单个学习器更高效的网络攻击识别过程,并能显著提高识别准确率.设计的SN通过MDM对各KELM子学习器计算得到集成增益度,从中选出具有较高增益度的KELM子学习器再实施集成.选择Bagging方式完成抽样集成过程,同时以Hadoop分布式结构对算法实施训练,通过并发方式完成各子KELM的检测,使算法达到更高的效率.通过测试发现,不管对于公共KDD99数据集还是以手工方式建立的网络物理仿真系统,SN都可以高效发现各类入侵行为,满足实际应用要求.