公开(公告)号：CN106790248A

公开(公告)日：2017-05-31

申请号：CN201710051123.1

申请日：2017-01-23

Applicant: 中南大学

Inventor： 康松林 ,  余懿 ,  邱贺

IPC: H04L29/06

CPC classification number: H04L63/1416 ,  H04L63/1425

Abstract: 本发明公开了一种基于双自适应正则化在线极限学习机的网络入侵检测方法，在输出权重β的计算过程中，充分权衡经验风险和结构风险，引入基于吉洪诺夫正则化的脊回归因子C，消除网络入侵检测过程中的过拟合和病态问题。在初始化阶段，从NSL‑KDD数据集中随机抽取样本作为初始训练集并根据其大小自适应初始化β，在连续学习阶段，根据当前已获取的全部数据集，采用基于奇异值分解和预测平方和的留一交叉验证法获取C的最优值并自适应更新，然后根据每次到达的数据集大小自适应更新β。本发明提出的方法能高效、高速的检测网络入侵，显著的提高网络入侵检测算法的泛化性能和实时性能。

公开(公告)号：CN106790248B

公开(公告)日：2020-07-03

申请号：CN201710051123.1

申请日：2017-01-23

Applicant: 中南大学

Inventor： 康松林 ,  余懿 ,  邱贺

IPC: H04L29/06

Abstract: 本发明公开了一种基于双自适应正则化在线极限学习机的网络入侵检测方法，在输出权重β的计算过程中，充分权衡经验风险和结构风险，引入基于吉洪诺夫正则化的脊回归因子C，消除网络入侵检测过程中的过拟合和病态问题。在初始化阶段，从NSL‑KDD数据集中随机抽取样本作为初始训练集并根据其大小自适应初始化β，在连续学习阶段，根据当前已获取的全部数据集，采用基于奇异值分解和预测平方和的留一交叉验证法获取C的最优值并自适应更新，然后根据每次到达的数据集大小自适应更新β。本发明提出的方法能高效、高速的检测网络入侵，显著的提高网络入侵检测算法的泛化性能和实时性能。