分类器集成与相似度融合的主动学习及其在入侵检测中的应用

摘要

传统的入侵检测方法均非常依赖于用于机器学习所需的训练数据集.主动学习(Active Leamng)作为解决这类问题的一种方法被提了出来.它改变了传统的从已知样本集中进行被动学习的方法,而是根据学习进程主动选择最佳的样本进行学习,从而有效减少所需评价样本的数量.本文研究在网络入侵检测中采用基于分类器集成的主动学习算法,解决训练样本获取代价过大带来的问题.通过基于分类器集成的主动学习算法与传统的被动学习算法的对比实验说明,主动学习算法能有效地减少学习样本数,并且能有效地提高入侵检测系统的分类性能.