《表7 Cat-SE-KNN模型与其它模型性能比较(%)》
本文实验中,利用交叉验证和随机搜索的方法,求出改进KNN算法中的超参数K为6时,具有最佳的效果,如图8所示。各个攻击的检测率和正常样本的真负率如表6所示,从表中可以得出,经过不平衡处理后攻击类型的检测率都有所提高,尤其是Probe和R2L这两种攻击类型,相比未进行数据平衡分别提升了12.75%和6.92%。实验过程中随机抽取20%初始分类数据(共8000条),用于模型的迭代更新。模型更新后,得到总的检测率、误报率和分类精度分别为96.03%、0.92%和96.52%,与文献[5]提出的HCPTC-IDS方法相比,都有所提升,结果如表7所示,各模型对比如图9所示。在模型迭代更新过程中,检测模型在各个方面都有较好的表现,说明本文所提模型能很好地适应复杂网络环境,保证网络异常流量检测的精度和效率。
图表编号 | XD00140338900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.10 |
作者 | 张浩、陈龙、魏志强 |
绘制单位 | 福州大学数学与计算机科学学院、福建省网络计算与智能信息处理重点实验室、福州大学数学与计算机科学学院、福建省网络计算与智能信息处理重点实验室、福州大学数学与计算机科学学院、福建省网络计算与智能信息处理重点实验室 |
更多格式 | 高清、无水印(增值服务) |