原创力文档- 1、本文档共19页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
中英文对照外文翻译文献
）
（文档含英文原文和中文翻译
中英文对照外文翻译
利用粗糙集分类的干扰检测
1
中英文对照外文翻译文献
简介
干扰检测是用于分类正常与异常的活动，在机器学习方面可以
发挥重要的作用。最近，基于机器学习的干扰检测方法（Allen等，2000）受到了广
泛的研究，因为他们可以检测出的误用和异常。学习的干扰检测方法包括两个关键步
骤：功能前牵引和检测模型生成。Wenke（1999）
利用改进的Apriori算法在干扰检测特征提取的研究，获得网络连接级别的功能。此方
法是非常有效的。后来，SRINIVAS和Sung（2002）提出
了利用支持向量机（SVM排列这些提取出的特征，但这种方法需要多次迭代，是非常
耗时的。在检测模型生成的研究，这是可取的，检测模型可以被解释的，并具有高的
检出率，但现有方法无法实现这两个目标。
例如，神经网络（James,1998年）可以达到较高的检测率，但生成的检测规则是不
（
能解释的；决策树Wenke1999年）可能会产生解释的规则，但检出率较低。
在本文中，我们目前使用干扰检测系统（IDS）功能的排名和干扰检测规则生成
的粗糙集分类（RSC（帕夫拉克，1982）。干扰检测RSC可以得到解释的检测规则
和高检出率的一些攻击和IDS是简单而快速的使用RSC功能的排名。
RSC是粗糙集理论（王陶，2003）的重要内容之一。粗糙集学习理论的主要贡
献是约简的概念。具有相同属性的对象分类能力的一整套属性约简是一个很小的子
集。在本文中，我们提出了一个快速混合遗传算法的粗糙集的约简计算。事实上，简
粗糙集计算的对应功能的IDS在RSC
排名。与经典的基于支持向量机的功能排名的方法（SRINIVASSUNG
2002年）相比，此功能的排序方法是简单和快速。
RSC约简为模板创建的干扰规则(决定)。简代后，随后的检测规则自动计算。
2
中英文对照外文翻译文献
生成的规则有直观的“IF-THEN的形式，提高探测器的设计是可以解释的，非常有
价值的。实验的目的是测试的规则检测性能。我们使用的实验数据源于麻省理工学院
的林肯实验室。它是为KDD(1999
年)由DARP虎争，被认为是干扰检测评估标准的基准。由于SVM进行
经典的干扰检测的算法(SRINIVASSUNG2002年)中，我们还可以使用支持向量机
的干扰检测对同一数据进行比较。试验结果表明，RSC算法
与SVM算法检测探头和DARPA数据集上的DoS攻击(99%以上)的兼容电平的检测
性能。不过，RSC规则的解释具有明显的优势。进一步比较的RSC基于IDS和基于
支持向量机的干扰检测系统中提供了详细论述。
本文的组织如下。在第二部分中，系统模型一般基于机器学习的干扰检测方法。
在第三部分中，初步解释粗糙集和粗糙集分类算法本文提出的混合遗传算法进行了详
细解释。在第四节实验设计比较
文档评论（0）