《表3 四种模型在KDD99数据集上分类性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于ReliefF和改进乌鸦搜索优化的并行入侵检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

/%

为了验证提出模型的有效性，实验首先给出分类模型RICSA-KELM在两个数据集上与其他三种模型（KELM、SVM、LSSVM）在KDD99和UNSW-NB15数据上的分类性能比较，如表3和4所示。其中RICSA-KELM模型利用ICSA对KELM模型进行参数优化和特征选择。对SVM和LSSVM算法是利用网格计算方法对参数进行优化。同时表中给出了其他三种模型在该数据集上的准确率ACC和误报率。ACC越高、误报率越低，说明性能越好。从结果可以看出，在KDD99数据集上这四种分类方法中提出的模型取得了最高的平均分类准确率95.88%，明显高于其他三种分类方法，之后依次排列的分类器是KELM[20]、LSSVM[21]和SVM[22]。提出的模型在分类精度上比其他三种模型分别提高了1.04%、3.64%和3.46%，同时提出模型具有最低的误报率为1.28%。在UNSW-NB15数据集上本方法也取得了较好的结果。