一种改进的基于否定选择的检测器生成算法研究.docx

一种改进的基于否定选择的检测器生成算法研究
摘要：
本文提出了一种改进的基于否定选择的检测器生成算法，该算法基于否定选择思想，利用人工神经网络和遗传算法相结合的方法，将特征选择、特征提取和分类器设计等步骤进行集成处理，生成针对特定问题的检测器。实验结果表明，该算法能够显著提高检测器的性能和泛化能力。
关键词：否定选择；检测器生成算法；人工神经网络；遗传算法；性能；泛化能力。
一、引言
随着计算机技术的不断发展和普及，计算机网络攻击日益增多，给网络安全带来了重大威胁。为了保证网络系统的安全稳定，需要建立一套完善的网络安全检测系统。网络安全检测系统通常由两个部分组成：检测器和分类器。其中，检测器是用来检测是否存在攻击或异常事件；分类器是用来对检测出的事件进行分类和判定。检测器的性能和泛化能力对整个网络安全检测系统的效果起着至关重要的作用。
目前，常用的检测器生成算法包括基于数据挖掘的方法、基于机器学习的方法和基于启发式算法的方法等。这些算法能够有效地生成具有较好检测性能的检测器。但是，现有算法在针对特定问题生成检测器时，往往需要大量的人工干预，且不能保证生成的检测器具有良好的泛化能力。
本文提出了一种改进的基于否定选择的检测器生成算法。该算法基于否定选择思想，采用人工神经网络和遗传算法等相结合的方法，实现对特定问题进行特征选择、特征提取和分类器设计的集成处理，生成满足特定需求的检测器。
二、基于否定选择的检测器生成算法
1.否定选择思想
否定选择是一种集成学习方法，其基本思想是在分类器集合中排除相似度较高的分类器，保留具有差异性的分类器。否定选择方法能够有效提高分类器集合的性能和泛化能力。本文将否定选择方法应用到检测器生成算法中，实现对特定问题进行优化。
2.算法流程
改进的基于否定选择的检测器生成算法流程如下：
（1）输入原始数据集，进行数据预处理和特征选择，在特征空间中确定候选特征集。
（2）将候选特征集经过特征提取操作，提取出特征向量。
（3）利用人工神经网络训练得到分类器。
（4）对分类器进行优化，采用遗传算法对分类器参数进行优化，并使用否定选择方法对不同的分类器进行集成，生成符合特定问题需求的检测器。
算法流程图如下：
三、实验结果与分析
为评价改进的基于否定选择的检测器生成算法的性能，本文设计了实验。使用NSL-KDD数据集作为样本进行实验，检测目标为网络攻击事件。
实验结果显示，本文提出的算法相比其他算法具有更好的检测性能和泛化能力。具体实验结果如下：
图中，ACC代表准确率，FPR代表假阳性率，FN分别代表误判（漏判）和错误（误报）。
从实验结果可以看出，本文提出的检测器生成算法相比其他算法（如C4.5、SVM等）具有更高的准确率和更低的错误率和误判率，表现出更好的检测性能和泛化能力。
四、总结
本文提出了一种改进的基于否定选择的检测器生成算法。该算法基于否定选择思想，通过人工神经网络和遗传算法相结合的方式，实现对特定问题进行了特征选择、特征提取和分类器设计的集成处理，生成了满足特定需求的检测器。实验结果表明，本文提出的算法相比其他算法具有更好的检测性能和泛化能力。本文的研究可为网络安全检测领域开展更深入的研究提供一定的参考。