《表3 分类器效果对比:基于模糊SVM模型的入侵检测分类算法》
在训练时间方面,虽然朴素贝叶斯分类器的训练时间远小于其他三种分类器的训练时间,但是其分类准确率过低,并且对数据噪声过于敏感,分类的类型数量不稳定。DBSCAN分类器的训练耗时与随机森林分类器和支持向量机分类器的训练时间相近,具有稳定的分类数量和高分类准确率。由于真实网络数据中异常的攻击数据占比很低,噪声明显,直接采用DB-SCAN算法的分类效率偏低,而且训练时间过长。所以,进一步实验中,采用表2所示分布的训练集和测试集,先使用模糊SVM二值分类器作为粗分类器,然后再用DBSCAN分类器对攻击型数据进行细分类,实验结果如表3所示。实验结果表明,模糊SVM-DBSCAN的联合两级分类器的准确率比单独使用一级DBSCAN分类器提高超过10%,模型的训练时间只增长了约30%。联合应用的粗细二级分类器更适合实际的网络场景进行实际业务数据的及时分类和联动入侵检测的应对措施。
图表编号 | XD00134619300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.01 |
作者 | 汪生、金志刚 |
绘制单位 | 中国北方电子设备研究所、天津大学电气自动化与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |