亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        一種基于多層決策樹(shù)分類(lèi)的入侵檢測(cè)方法

        2020-11-02 02:30方偉黃澤斌唐鄭熠王金水
        關(guān)鍵詞:入侵檢測(cè)決策樹(shù)分類(lèi)

        方偉 黃澤斌 唐鄭熠 王金水

        摘 要:分類(lèi)技術(shù)在應(yīng)用于入侵檢測(cè)時(shí),會(huì)因?yàn)榇R(shí)別的用戶行為類(lèi)型的增加,造成分類(lèi)性能的下降,從而影響檢測(cè)的準(zhǔn)確率。針對(duì)這一問(wèn)題,本文研究了數(shù)據(jù)記錄類(lèi)型所存在的層次性現(xiàn)象,并據(jù)此提出了一種多層分類(lèi)方法,以減少分類(lèi)算法所需要識(shí)別的記錄類(lèi)型。以決策樹(shù)為分類(lèi)算法,使用該方法對(duì)KDD_Cup_99數(shù)據(jù)集訓(xùn)練多層分類(lèi)模型,取得了良好的分類(lèi)性能,特別是明顯改善了小比例樣本的識(shí)別性能。

        關(guān)鍵詞:入侵檢測(cè); 分類(lèi); 決策樹(shù); 類(lèi)型層次; 多層分類(lèi)模型

        中圖分類(lèi)號(hào):TP393

        文獻(xiàn)標(biāo)識(shí)碼: A

        文章編號(hào)?1000-5269(2020)05-0095-07???DOI:10.15958/j.cnki.gdxbzrb.2020.05.15

        入侵檢測(cè)是網(wǎng)絡(luò)安全防護(hù)的重要技術(shù)之一,是指對(duì)入侵行為的檢測(cè)與識(shí)別。它通過(guò)對(duì)網(wǎng)絡(luò)行為、安全日志、審計(jì)數(shù)據(jù)等信息的分析,來(lái)判斷網(wǎng)絡(luò)或系統(tǒng)中是否出現(xiàn)違反安全策略的攻擊行為[1]。作為一種主動(dòng)的安全防護(hù)技術(shù),入侵檢測(cè)可以在攻擊行為產(chǎn)生危害前進(jìn)行攔截,并且對(duì)內(nèi)部和外部的攻擊或危險(xiǎn)行為都能提供有效的防護(hù),因此被視為防火墻技術(shù)的必要補(bǔ)充。

        入侵檢測(cè)技術(shù)的基本原理是通過(guò)對(duì)相關(guān)數(shù)據(jù)的分析,構(gòu)建正常或異常行為的模型,與用戶行為進(jìn)行比較匹配,以甄別出可能具有危害性的行為[2-3]。因此,從相關(guān)數(shù)據(jù)中分析發(fā)掘出有效的行為特征與模式是入侵檢測(cè)技術(shù)的核心與關(guān)鍵。數(shù)據(jù)挖掘作為一種從海量數(shù)據(jù)中搜索挖掘隱藏信息的有效技術(shù),十分適用于入侵檢測(cè),包括分類(lèi)、聚類(lèi)、異常檢測(cè)在內(nèi)的多種數(shù)據(jù)挖掘技術(shù)都在入侵檢測(cè)領(lǐng)域取得了顯著的成效[4]。

        分類(lèi)是入侵檢測(cè)中較為常用的技術(shù),研究人員使用了多種不同的分類(lèi)算法來(lái)區(qū)分用戶的正常行為和攻擊行為:段丹青使用支持向量機(jī)(support?vector machine,SVM)算法對(duì)用戶行為進(jìn)行分類(lèi)[5],取得了97%的分類(lèi)正確率,但其試驗(yàn)只將用戶行為分為正常和異常兩種類(lèi)型,不能充分說(shuō)明SVM算法的分類(lèi)能力;馬占飛等[6]采用粒子群算法來(lái)調(diào)整SVM算法的參數(shù),在對(duì)5種用戶行為分類(lèi)的試驗(yàn)中取得了93%的正確率,同時(shí)根據(jù)其對(duì)比試驗(yàn),傳統(tǒng)的SVM算法在對(duì)同樣的數(shù)據(jù)集進(jìn)行分類(lèi)時(shí),正確率為85%;夏景明等采用隨機(jī)森林算法對(duì)用戶行為進(jìn)行分類(lèi)[7],其正確率高達(dá)99%,但其同樣只將用戶行為分為兩類(lèi),缺乏對(duì)復(fù)雜類(lèi)型分類(lèi)能力的證明;丁紅衛(wèi)等采用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)5種用戶行為進(jìn)行分類(lèi)[8],并更為細(xì)化地比較了每種類(lèi)型的分類(lèi)正確率,最高達(dá)99%,但該種方法不能對(duì)所有類(lèi)型都保持理想的分類(lèi)能力,最低的分類(lèi)正確率僅有64%;SHONE等提出了一種多層非對(duì)稱(chēng)深度自編碼器算法[9],對(duì)5種用戶行為進(jìn)行分類(lèi),除了小比例樣本,都取得了100%的正確率,但由于深度學(xué)習(xí)技術(shù)的固有缺陷,其所訓(xùn)練的分類(lèi)模型缺乏可解釋性。

        本文研究了數(shù)據(jù)集中記錄類(lèi)型的層次性現(xiàn)象,提出了一種多層次的分類(lèi)方法,對(duì)處于相同層次的記錄類(lèi)型訓(xùn)練分類(lèi)模型,從而得到多個(gè)針對(duì)不同層次記錄類(lèi)型的分類(lèi)模型,能夠根據(jù)記錄類(lèi)型的層次性實(shí)現(xiàn)自頂向下的識(shí)別。將該方法應(yīng)用在入侵檢測(cè)中,不僅能夠?qū)崿F(xiàn)高效準(zhǔn)確的行為分類(lèi),而且能夠靈活地控制分類(lèi)的粗細(xì)程度。以決策樹(shù)作為分類(lèi)算法,在權(quán)威的入侵檢測(cè)數(shù)據(jù)集上進(jìn)行試驗(yàn),結(jié)果表明該方法具有理想的檢測(cè)性能,并且能夠有效地緩解由于行為類(lèi)型增多造成的檢測(cè)性能下降的問(wèn)題。

        1?預(yù)備知識(shí)

        1.1?決策樹(shù)分類(lèi)

        分類(lèi)是指根據(jù)數(shù)據(jù)記錄的各個(gè)屬性取值,識(shí)別數(shù)據(jù)記錄所屬的類(lèi)型。通過(guò)已有數(shù)據(jù)可以訓(xùn)練得到分類(lèi)模型,其定義如下:

        決策樹(shù)是一種樹(shù)形的分類(lèi)模型,其節(jié)點(diǎn)分為測(cè)試節(jié)點(diǎn)(非葉子節(jié)點(diǎn))和決策節(jié)點(diǎn)(葉子節(jié)點(diǎn))兩類(lèi):每個(gè)測(cè)試節(jié)點(diǎn)包含一個(gè)測(cè)試條件,每條出邊是測(cè)試條件的一個(gè)輸出;每個(gè)決策節(jié)點(diǎn)包含一個(gè)記錄類(lèi)型的取值,其定義如下:

        在使用決策樹(shù)對(duì)記錄X進(jìn)行分類(lèi)時(shí),從根節(jié)點(diǎn)開(kāi)始進(jìn)行測(cè)試,即計(jì)算v = nt0(X),根據(jù)v的值決定下一個(gè)測(cè)試節(jié)點(diǎn),直到遇到?jīng)Q策節(jié)點(diǎn)終止,即得到該記錄的類(lèi)型。

        Iterative dichotomiser 3(ID3)是Quinlan于1986年提出的算法,它以貪心策略為基礎(chǔ),以信息增益作為測(cè)試條件有效性的度量指標(biāo),是第一個(gè)具有廣泛影響力的決策樹(shù)算法。Classification 4.5(C4.5)算法同樣是由Quinlan于1993年提出的,它是ID3算法的改進(jìn),既能夠處理離散型的屬性,也能夠處理連續(xù)性的屬性,是目前最常用的決策樹(shù)算法[10]。

        1.2?入侵檢測(cè)

        入侵檢測(cè)是通過(guò)分析用戶行為或系統(tǒng)的相關(guān)數(shù)據(jù),提取各種行為模式或特征,進(jìn)而識(shí)別出系統(tǒng)中存在的危險(xiǎn)行為。目前的入侵檢測(cè)技術(shù)大致可以分為兩類(lèi):

        (1)異常檢測(cè):構(gòu)建安全的行為模型作為用戶行為的評(píng)價(jià)標(biāo)準(zhǔn),當(dāng)用戶行為明顯有別于安全行為模型時(shí),則認(rèn)為出現(xiàn)了入侵。

        (2)特征檢測(cè):根據(jù)已知的入侵來(lái)提取并構(gòu)建入侵行為的特征庫(kù),當(dāng)用戶行為與特征庫(kù)中的某個(gè)特征模式匹配時(shí),則認(rèn)為出現(xiàn)了入侵。

        在設(shè)計(jì)一種新的入侵檢測(cè)方法時(shí),需要一個(gè)包含正常行為和入侵行為的數(shù)據(jù)集,用于檢測(cè)新方法是否有效。目前最為權(quán)威的入侵檢測(cè)數(shù)據(jù)集是1999年國(guó)際知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘競(jìng)賽所公布的數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)數(shù)據(jù)集(knowledge discovery and data mining,KDD_Cup_9)[11],它來(lái)源于1998年MIT的Lincoln試驗(yàn)室所承擔(dān)的DARPA入侵檢測(cè)評(píng)估項(xiàng)目。該項(xiàng)目建立了一個(gè)模擬軍事網(wǎng)絡(luò)中各類(lèi)入侵行為的數(shù)據(jù)集,共計(jì)約700萬(wàn)條記錄,包含5大類(lèi)網(wǎng)絡(luò)攻擊?;谠摂?shù)據(jù)集,Columbia University的入侵檢測(cè)系統(tǒng)(intrusion detection systems,IDS)試驗(yàn)室進(jìn)行了精簡(jiǎn)和完善,發(fā)布了KDD_Cup_99數(shù)據(jù)集。該數(shù)據(jù)集包括兩個(gè)版本,完全版本包括約500萬(wàn)條記錄,而10%的抽樣版本包含約50萬(wàn)條記錄。迄今為止,KDD_Cup_99是有關(guān)入侵檢測(cè)的研究中應(yīng)用最為廣泛的驗(yàn)證數(shù)據(jù)集。

        2?多層決策樹(shù)分類(lèi)方法

        2.1?基本原理

        決策樹(shù)是一種簡(jiǎn)單有效的分類(lèi)技術(shù),易于使用和理解。但是,當(dāng)需要分類(lèi)的數(shù)據(jù)記錄具有較多的類(lèi)型時(shí),會(huì)使決策樹(shù)的規(guī)模變得龐大,從而降低分類(lèi)的準(zhǔn)確率與效率。因此,減少數(shù)據(jù)記錄的類(lèi)型,是提高決策樹(shù)分類(lèi)技術(shù)性能的可行途徑。但數(shù)據(jù)記錄類(lèi)型的減少,不能以弱化分類(lèi)需求為手段,否則可能導(dǎo)致分類(lèi)技術(shù)的效果大大降低。

        在分類(lèi)問(wèn)題中,存在著數(shù)據(jù)記錄的類(lèi)型具有層次性的現(xiàn)象,例如,人類(lèi)是哺乳動(dòng)物的子類(lèi)、轎車(chē)是汽車(chē)的子類(lèi)等。然而決策樹(shù)無(wú)法識(shí)別類(lèi)型之間的包含關(guān)系,其分類(lèi)性能也會(huì)受到一定程度的影響。

        針對(duì)這一問(wèn)題,可以對(duì)每一個(gè)層次的類(lèi)型分別訓(xùn)練決策樹(shù),從而顯著減少每棵決策樹(shù)所要?jiǎng)澐值念?lèi)型數(shù)量。同時(shí),通過(guò)多棵決策樹(shù)的組合,能夠保證對(duì)所有的類(lèi)型完成分類(lèi)。下面給出形式化定義。

        對(duì)于兩個(gè)記錄類(lèi)型x和y,若y是x的子類(lèi),則記為,子類(lèi)關(guān)系的集合記為R。

        記錄類(lèi)型如果具有層次性,則可以表示為一棵樹(shù)。由于樹(shù)的0層只有一個(gè)根節(jié)點(diǎn),即在該層次上只有一個(gè)類(lèi)型,這在實(shí)際的分類(lèi)問(wèn)題中是不可能出現(xiàn)的。為了解決這個(gè)問(wèn)題,可以在記錄類(lèi)型的最高層次上,額外添加一個(gè)origin類(lèi)型,作為最高層次類(lèi)型的父類(lèi)型,用偽代碼表達(dá)為:

        其中:T是一棵決策樹(shù);

        (2)p是一個(gè)記錄類(lèi)型;

        (3)Pp是p的子類(lèi)型集合。

        算法1描述了如何對(duì)訓(xùn)練數(shù)據(jù)集D(記錄類(lèi)型集合為P,子類(lèi)關(guān)系集合為R),訓(xùn)練出一個(gè)分層決策森林F。

        算法1對(duì)每個(gè)記錄類(lèi)型p,找出其所有子類(lèi)型集合Q。根據(jù)Q,篩選出D的子集DS,其所含數(shù)據(jù)記錄的類(lèi)型(d.type),或者屬于Q,或者是Q中某個(gè)類(lèi)型的子孫類(lèi)型,并將數(shù)據(jù)記錄的類(lèi)型修改為Q中的對(duì)應(yīng)類(lèi)型。由數(shù)據(jù)子集DS和記錄類(lèi)型子集Q,使用決策樹(shù)算法Train Decision Tree(如C4.5)訓(xùn)練出一棵決策樹(shù)T,從而得到一棵分層決策樹(shù)TH = (T, p, Q)。所有的分層決策樹(shù)構(gòu)成分層決策森林F。

        算法2是使用分層決策森林F對(duì)數(shù)據(jù)記錄d進(jìn)行分類(lèi)的過(guò)程。

        首先從分層決策森林F中選擇TH·p = origin的分層決策樹(shù),用其對(duì)記錄d進(jìn)行分類(lèi),得到d在該分層決策樹(shù)上的類(lèi)型t。若存在另一棵TH·p = t的分層決策樹(shù),則繼續(xù)使用TH對(duì)d進(jìn)行分類(lèi),得到新的、更為細(xì)化的類(lèi)型。重復(fù)以上過(guò)程,直到不存在TH·p = t。

        基于多層決策樹(shù)的分類(lèi)模型具有以下優(yōu)點(diǎn):

        (1)能有效降低決策樹(shù)的規(guī)模,避免出現(xiàn)具有大量節(jié)點(diǎn)的復(fù)雜決策樹(shù)。

        (2)分類(lèi)模型易于解釋和表達(dá)。

        (3)能夠根據(jù)分類(lèi)的粒度要求,提前終止對(duì)數(shù)據(jù)記錄的細(xì)化分類(lèi),從而提高分類(lèi)效率。

        2.2?KDD_Cup_99數(shù)據(jù)集的多層決策樹(shù)模型

        本節(jié)以KDD_Cup_99數(shù)據(jù)集為例,說(shuō)明多層決策樹(shù)的構(gòu)建與應(yīng)用方法。

        KDD_Cup_99數(shù)據(jù)集中的記錄類(lèi)型共計(jì)有23種,除了表示正常訪問(wèn)的normal類(lèi)型,剩下的22種類(lèi)型都表示攻擊訪問(wèn),分屬于4大類(lèi)網(wǎng)絡(luò)攻擊類(lèi)型[12],具有明顯的層次性。為了進(jìn)一步減少單層決策樹(shù)所要分類(lèi)的記錄類(lèi)型,為其增加一個(gè)attack類(lèi),作為所有攻擊類(lèi)型的父類(lèi)。數(shù)據(jù)記錄類(lèi)型的層次結(jié)構(gòu)如圖2所示。

        根據(jù)算法1,可以訓(xùn)練出由以下6棵分層決策樹(shù)構(gòu)成的決策樹(shù)森林:

        對(duì)于一條數(shù)據(jù)記錄,如果它的實(shí)際類(lèi)型是guess-passwd,則會(huì)先后調(diào)用TH1、TH2和TH5進(jìn)行分類(lèi)。分類(lèi)過(guò)程也可以根據(jù)分類(lèi)需求,終止在某個(gè)中間層次。

        3?試驗(yàn)與結(jié)果分析

        3.1?數(shù)據(jù)預(yù)處理

        KDD_Cup_99數(shù)據(jù)集共含有4 898 430條記錄,但在記錄類(lèi)型上的分布并不均衡,并且部分記錄類(lèi)型的數(shù)據(jù)量過(guò)于稀少,對(duì)于決策樹(shù)的訓(xùn)練沒(méi)有實(shí)際意義,如表1所示。為了保證記錄類(lèi)型的均衡,以達(dá)到更好的訓(xùn)練效果,將所有類(lèi)型的記錄數(shù)量限制在2 000~40 000的范圍內(nèi),故對(duì)數(shù)據(jù)集進(jìn)行以下抽樣處理:

        (1)若某種類(lèi)型的記錄數(shù)量小于2 000,則將該類(lèi)型的記錄全部刪除。

        (2)若某種類(lèi)型的記錄數(shù)量大于40 000,則從該類(lèi)型的記錄中隨機(jī)抽取40 000條。

        (3)若某種類(lèi)型記錄數(shù)量在2 000~40 000之間,則全部保留。

        經(jīng)過(guò)抽樣處理后,用于試驗(yàn)的數(shù)據(jù)集中所包含的記錄類(lèi)型及其數(shù)量如表3所示。

        對(duì)于每一種類(lèi)型的記錄,都取50%作為訓(xùn)練集,50%作為測(cè)試集。因此,用于試驗(yàn)的數(shù)據(jù)集記錄總量為1 096 085條,其中訓(xùn)練集數(shù)量為548 041條,測(cè)試集數(shù)量為548 044條。

        3.2?試驗(yàn)過(guò)程與結(jié)果

        本文的試驗(yàn)環(huán)境如表4所示。

        試驗(yàn)過(guò)程:

        (1)對(duì)類(lèi)型屬于{normal, attack}的記錄訓(xùn)練分類(lèi)模型T1,其對(duì)記錄類(lèi)型的分類(lèi)準(zhǔn)確率記為Acc(T1, normal)和Acc(T1, attack)。

        (2)對(duì)類(lèi)型屬于{dos, probel}的記錄訓(xùn)練分類(lèi)模型T2,其對(duì)記錄類(lèi)型的分類(lèi)準(zhǔn)確率記為Acc(T2, dos)、Acc(T2, probel)。

        (3)對(duì)類(lèi)型屬于{back, neptune, smurf}的記錄訓(xùn)練分類(lèi)模型T3,其對(duì)記錄類(lèi)型的分類(lèi)準(zhǔn)確率記為Acc(T3, back)、Acc(T3, neptune)、Acc(T3, smurf)。

        (4)對(duì)類(lèi)型屬于{ipsweep, nmap, portsweep, satan}的記錄訓(xùn)練分類(lèi)模型T4,其對(duì)記錄類(lèi)型的分類(lèi)準(zhǔn)確率記為Acc(T4, ipsweep)、Acc(T4, nmap)、Acc(T4, portsweep)、Acc(T4, satan)。

        試驗(yàn)結(jié)果如表5所示。

        根據(jù)算法2,一條記錄要經(jīng)過(guò)多棵決策樹(shù)的分類(lèi),直至最底層的類(lèi)型,因此其分類(lèi)準(zhǔn)確率應(yīng)等于上層類(lèi)型分類(lèi)準(zhǔn)確的乘積,即:

        將試驗(yàn)數(shù)據(jù)集直接使用C4.5決策樹(shù)算法進(jìn)行分類(lèi)作為對(duì)照試驗(yàn),結(jié)果如表6所示。

        由表6的對(duì)照試驗(yàn)結(jié)果可知,多層決策樹(shù)分類(lèi)方法具有較為優(yōu)異的性能,對(duì)各種類(lèi)型的記錄都保持了很高的分類(lèi)準(zhǔn)確率。對(duì)比普通的決策樹(shù)分類(lèi)方法,由于其每次所需要區(qū)分的記錄類(lèi)型較少,對(duì)記錄特征的識(shí)別更為準(zhǔn)確。普通決策樹(shù)分類(lèi)方法不能有效地區(qū)分neptune和smurf兩種記錄類(lèi)型,而多層決策樹(shù)分類(lèi)方法則能夠進(jìn)行有效的識(shí)別。

        4?結(jié)語(yǔ)

        分類(lèi)技術(shù)在入侵檢測(cè)中已經(jīng)得到了較為成功的應(yīng)用,攻擊行為的識(shí)別效率和準(zhǔn)確率方面都取了較為理想的結(jié)果。但分類(lèi)技術(shù)在處理多類(lèi)型數(shù)據(jù)集時(shí),會(huì)產(chǎn)生模型構(gòu)建困難、分類(lèi)準(zhǔn)確率下降的問(wèn)題。本文針對(duì)這一問(wèn)題,結(jié)合入侵行為的類(lèi)型所具有的層次性特點(diǎn),提出了一種多層分類(lèi)的入侵檢測(cè)方法,并以決策樹(shù)算法進(jìn)行了實(shí)現(xiàn)。試驗(yàn)結(jié)果表明,該方法能夠有效提高入侵檢測(cè)的識(shí)別準(zhǔn)確率,特別是對(duì)小比例的入侵行為的識(shí)別上,具有較大的改進(jìn)。

        在本文工作的基礎(chǔ)上,可進(jìn)一步展開(kāi)以下研究工作:

        (1)研究和比較多層分類(lèi)模型與單層分類(lèi)模型的復(fù)雜度。

        (2)研究不同分類(lèi)算法對(duì)多層分類(lèi)模型的性能影響。

        (3)研究新出現(xiàn)的攻擊行為類(lèi)型,并構(gòu)建相關(guān)的數(shù)據(jù)集。

        參考文獻(xiàn):

        [1]李威,?楊忠明. 入侵檢測(cè)系統(tǒng)的研究綜述[J].?吉林大學(xué)學(xué)報(bào)(信息科學(xué)版),?2016,?34(5): 657-662.

        [2]ZARPELO B B,?MIANI R S,?KAWAKANI C T,?et al.?A survey of intrusion detection in Internet of things[J].?Journal of Network & Computer Applications,?2017,?84(3):25-37.

        [3]陳俊,?陳孝威.?基于關(guān)聯(lián)規(guī)則挖掘的IPv6入侵檢測(cè)系統(tǒng)研究[J].?貴州大學(xué)學(xué)報(bào)(自然科學(xué)版),?2013,?30(2): 66-71.

        [4]BUCZAK A L.?A survey of data mining and machine learning methods for cyber security intrusion detection[J].?IEEE Communications Surveys & Tutorials,?2017,?18(2): 1153-1176.

        [5]段丹青.?入侵檢測(cè)算法及其關(guān)鍵技術(shù)研究[D].?長(zhǎng)沙: 中南大學(xué),?2007.

        [6]馬占飛,?陳虎年,?楊晉,?等.?一種基于IPSO-SVM算法的網(wǎng)絡(luò)入侵檢測(cè)方法[J].?計(jì)算機(jī)科學(xué),?2018,?45(2): 231-235.

        [7]夏景明,?李沖,?談玲,?等.?改進(jìn)的隨機(jī)森林分類(lèi)器網(wǎng)絡(luò)入侵檢測(cè)方法[J].?計(jì)算機(jī)工程與設(shè)計(jì),?2019,?40(8): 2146-2150.

        [8]丁衛(wèi)紅,?萬(wàn)良,?周康,?等.?基于深度卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)研究[J].?計(jì)算機(jī)科學(xué),?2019,?46(7): 50-55.

        [9]SHONE N,?NGOC T N,?PHAI V D,?et al.?A deep learning approach to network intrusion detection[J].?IEEE Transactions on Emerging Topics in Computational Intelligence,?2018,?2(1): 41-49.

        [10]FLETCHER S,?ISLAM M Z,?Decision tree classification with differential privacy: a survey[J].?ACM Computing Surveys,?2016,?48(5): 161-172.

        [11]SIDDIQUE K,?AKHTAR Z,?ASLAM K F,?et al.?KDD_Cup_99 data sets: a perspective on the role of data sets in network intrusion detection research[J].?Computer,?2019,?52(2): 41-51.

        [12]WANG Y,?YANG K,?JING X,?et al.?Problems of KDD_Cup_99 dataset existed and data preprocessing[J].?Applied Mechanics and Materials,?2014,?66(7): 218-225.

        (責(zé)任編輯:于慧梅)

        猜你喜歡
        入侵檢測(cè)決策樹(shù)分類(lèi)
        簡(jiǎn)述一種基于C4.5的隨機(jī)決策樹(shù)集成分類(lèi)算法設(shè)計(jì)
        按需分類(lèi)
        教你一招:數(shù)的分類(lèi)
        說(shuō)說(shuō)分類(lèi)那些事
        決策樹(shù)學(xué)習(xí)的剪枝方法
        基于入侵檢測(cè)的數(shù)據(jù)流挖掘和識(shí)別技術(shù)應(yīng)用
        藝術(shù)類(lèi)院校高效存儲(chǔ)系統(tǒng)的設(shè)計(jì)
        基于關(guān)聯(lián)規(guī)則的計(jì)算機(jī)入侵檢測(cè)方法
        給塑料分分類(lèi)吧
        決策樹(shù)在施工項(xiàng)目管理中的應(yīng)用
        亚洲粉嫩av一区二区黑人| 熟女熟妇伦av网站| 国产精品一区二区 尿失禁 | 国产成人精品日本亚洲专区6| 亚洲一区二区三区美女av| 国产精品第一二三区久久| 国产农村乱辈无码| 亚洲精品视频久久| 亚洲美女主播一区二区| 国产三级视频不卡在线观看 | 91热爆在线精品| 亚洲24小时免费视频| 无码爆乳护士让我爽| 亚洲av永久无码一区| 动漫av纯肉无码av在线播放| 特级黄色大片性久久久| 中文字幕日韩三级片| 欧美老妇人与禽交| 亚洲天堂中文字幕君一二三四| 久久久精品毛片免费观看| 色妞色视频一区二区三区四区| 久久永久免费视频| 国产成人自拍视频在线观看网站 | 北岛玲亚洲一区二区三区| 99久久99久久精品国产片| 无套内射蜜桃小视频| 亚洲欧美成人中文在线网站| 深夜福利国产精品中文字幕| 国产无套粉嫩白浆在线观看| 日韩无码无播放器视频| 91在线视频视频在线| 中文字幕国产精品一二三四五区| 免费人成在线观看视频播放| 丝袜欧美视频首页在线| 日韩精品一区二区三区影音视频 | 久久精品免费中文字幕| 欧美操逼视频| 96精品免费视频大全| 亚洲在线精品一区二区三区| 国产乱了真实在线观看| 麻豆AV免费网站|