基于在线自适应极限学习机选择性集成的网络入侵检测

• 作 者: 何捷舟 刘金平 张五霞 肖文辉 唐朝晖 徐鹏飞
• 机 构: 湖南师范大学智能计算与语言信息处理省重点实验室,湖南师范大学计算与随机数学教育部重点实验室,中南大学信息科学与工程学院
• 出 处: 中国科学技术大学学报
• 发表日期: 2019年7期
• 关键词: 网络入侵检测 集成学习 在线自适应极限学习机 network intrusion detectionensemble learningonline adapti
• 基金项目: 国家自然科学基金(61501183,61771492,61472134),国家自然科学基金-广东联合基金重点(U1701261),湖南省自然科学基金(2018JJ3349),湖南省研究生科研创新项目(CX2018B312)资助.

随着互联网的普及和网络连接设备与访问方式的多样化,网络入侵方式与手段日趋多样化且变异速度快,传统入侵检测方法在有效性、自适应性和实时性方面难以应对日益复杂网络环境的安全监控要求,为此提出一种基于在线自适应极限学习机(online adaption extreme learning machine, OAELM)选择性学习的网络入侵检测方法(SEoOAELM-NID).首先,提出一种能自动设定最优隐含节点个数且具有在线增量学习功能的OAELM构建方法,采用Bagging策略快速训练出多个具有一定独立性的OA