KPCA和RSVM结合处理大规模问题研究.pdfVIP

27 1 Vol.27 No. 1 Journal of Shandong University of Science and Technology 72 2008 2 Feb.2008 Na t u r a l S c ie n c e KPCA 和RSVM 结合处理大规模问题研究 , , ( 山东科技大学 信息科学与工程学院, 山东 青岛 266510) : 针对入侵检测中训练样本数量多、属性多这 问题, 应用核主成份分析Kernel PCA 和简约支持向量机Re duced SVM 相结合的方法, 不但有效地提取了样本的非线性信息, 而且使样本在维数上得到约简, 减少了核矩阵的 计算量。在标准入侵检测数据集上的实验表明: 训练时间进 步减少, 正确率得到提高, 而误报率下降。 : 入侵检测; KPCA; RSVM : TP181 : A : 16 23 6 ( 2008) 0100 204 Solutions to the Massive Problems with KPCA and RSVM LIU Quanchang, HE Guoping, ZHAN G Nina ( College of Info Science and Eng. , SUST , Qingdao, Shandong 266510, China) Abstract:T he massive problems in the int rusion detection induced by too many instances and attributes are studied. A new method using Kernel PCA and Reduced SVM is proposed. The met hod not only extract s the nonlinear infor mation from the samples effectively but also reduces dimensions and the computation requirements of the kernel ma trix. Experiment implemented on the standard dataset show s that it needs lit tle training time and the accuracy is higher while the false positive rate is low er. Key words: intrusion detection; KPCA; RSVM 在应用支持向量机( Support Vector Machine, 到同样分类性能的前提下, KPCA 所需的主元个 SVM) 方法解决入侵检测问题的过程中, 经常会遇 要少于PCA 。但是, 当样本 量很大时, 虽然主要 到维 高、 量大的 据集, 导致核矩阵的计算量很 信息的提取和属性个 的约简能够减少计算量, 但 大, 使得SVM 方法难以应用于此类 据集上。在 核矩阵仍然需要很大的计算量, 使得仅用KPCA 的 [ 3] 维 方面, 由于变量很多, 而且变量之间往往存在相 SVM 方法仍难以应用于大 据量的问题 。 关关系, 因此很难直接抓住它们之间的主要关系, 这 在输入 据由高维降为低维以后, 若在样本 就需要一种简化 据的方法, 使高维