基于贝叶斯树和集成学习的异常检测

• 作 者: 姚武军 魏彬
• 机 构: 武警工程大学电子技术系,
• 出 处: 武汉大学学报(理学版)
• 发表日期: 2014年06期
• 关键词: 贝叶斯 入侵检测 贝叶斯树 贝叶斯算法 决策树 树算法 预测模型 集成学习 朴素贝叶斯 本地系统服务

为解决入侵检测中朴素贝叶斯算法的高数据内部依赖性和决策树容易产生数据“破碎”的问题,本文结合决策树分段的优点和朴素贝叶斯多证据融合的优点,建立了基于贝叶斯树算法的进程服务预测模型,并将bagging集成学习法用于改进贝叶斯树.实验结果表明,模型能有效检测主机异常,且算法的时间复杂度相对较低,适合在线检测.

In order to solve the problem of data “fragmentation ”, which is easy to generate data “fragmentation ” in the naive Bayesian algorithm intrusion detection, this paper combines the advantages of decision tree segmentation and the advantages of naive Bayesian multi-evidence fusion The process service prediction model based on Bayesian algorithm and the bagging integrated learning method are used to improve the Bayesian tree.The experimental results show that the model can effectively detect host anomalies and the time complexity of the algorithm is relatively low and suitable for online Detection.