摘要(Abstract)：
提出空间降维和多核支持向量机算法进行网络入侵检测;从网络中抓取数据包,通过局部线性嵌入数据降维获得属性降维后的数据样本;通过差异化设置参与局部线性嵌入运算的邻居数,验证适合样本集的邻居数,将多项式核函数、高斯核函数和Sigmoid核函数进行两两组合,分别验证多核支持向量机的网络入侵检测性能。结果表明,在合理设置局部线性嵌入邻居数和核函数组合方式的条件下,基于空间降维和多核支持向量机的网络入侵检出率较高,检测时间较短。
关键词(KeyWords)： 网络入侵检测;空间降维;支持向量机;局部线性嵌入
基金项目(Foundation): 国家自然科学基金项目(61671213);; 教育部科技发展中心高校产学研创新基金项目(2018A01016);; 广东省普通高校特色创新项目(自然科学)(2017KTSCX221);; 广东省质量工程建设项目(2017SZ02)
作者(Author): 田桂丰,单志龙,廖祝华,王煜林
DOI: 10.13349/j.cnki.jdxbn.20210201.005
参考文献(References)：
[1] 刘剑，苏璞睿，杨珉，等.软件与网络安全研究综述[J].软件学报，2018,29(1):42-68.
[2] 张宝华，赵莹.SU-GA-SVM在网络入侵检测中的应用[J].价值工程，2018,37(19):227-230.
[3] 陈红松，陈京九.基于循环神经网络的无线网络入侵检测分类模型构建与优化研究[J].电子与信息学报，2019,41(6):1427-1433.
[4] 夏景明，丁春健，谈玲.基于灰狼算法的深度信念网络入侵检测方法[J].计算机工程与设计，2020,41(6):42-47.
[5] WANG W,SHENG Y Q,WANG J L,et al.HAST-IDS:learning hierarchical spatial-temporal features using deep neural networks to improve intrusion detection[J].IEEE Access,2017,6(1):1792-1806.
[6] MONDAEEV M,ANKER T,MEYOUHAS Y.Method and apparatus for deep packet inspection for network intrusion detection:US 8448234[P].2013-05-21.
[7] VERMA A,RANGA V.Statistical analysis of CIDDS-001 dataset for network intrusion detection systems using distance-based machine learning[J].Procedia Computer Science,2018,125:709-716.
[8] 刘方园，王水花，张煜东.支持向量机模型与应用综述[J].计算机系统应用，2018,27(4):1-9.
[9] 徐静妹，李雷.基于稀疏表示和支持向量机的人脸识别算法[J].计算机技术与发展，2018,28(2):59-63.
[10] 李红丽，许春香，马耀锋.基于多核学习SVM的图像分类识别算法[J].现代电子技术，2018(6):50-52,56.
[11] 王鑫，李可，宁晨，等.基于深度卷积神经网络和多核学习的遥感图像分类方法[J].电子与信息学报，2019,41(5):1098-1105.
[12] 曹中义，吉根林，谈超.改进的多流形LLE学习算法[J].计算机工程与应用，2018,54(24):156-163.
[13] 邱建荣，罗汉.改进的局部线性嵌入算法及其应用[J].计算机工程与应用，2020,56(3):181-184.
[14] 付子爔，徐洋，吴招娣，等.基于增量学习的SVM-KNN网络入侵检测方法[J].计算机工程，2020,46(4):115-122.
[15] 马占飞，陈虎年，杨晋，等.一种基于IPSO-SVM算法的网络入侵检测方法[J].计算机科学，2018,45(2):231-235,260.
[16] 杨宏宇，王峰岩.基于改进卷积神经网络的网络入侵检测模型[J].计算机应用，2019,39(9):2604-2610.
