基于混合基因表达式编程的入侵检测算法

doi:10.3969/j.issn.1006-2475.2011.09.010

计算机与现代化 ›› 2011, Vol. 193 ›› Issue (9): 33-35,3.doi: 10.3969/j.issn.1006-2475.2011.09.010

基于混合基因表达式编程的入侵检测算法

邓松^1,2，林为民^1,2，张涛^1,2

1.国网电力科学研究院信息与通信研究所，江苏南京 210003; 2.国家电网公司信息网络安全重点实验室，江苏南京210003

收稿日期:2011-04-13 修回日期:1900-01-01 出版日期:2011-09-22 发布日期:2011-09-22

Intrusion Detection Algorithm Based on Hybrid Gene Expression Programming

DENG Song ^{1, 2}, LIN Wei-min ^{1, 2}, ZHANG Tao ^{1, 2}

1.Institute of Information Technology & Communication, State Grid Electric Power Research Institute, Nanjing, 210003, China;2.Information Network Security Key Laboratory, State Grid Corporation of China, Nanjing 210003, China

Received:2011-04-13 Revised:1900-01-01 Online:2011-09-22 Published:2011-09-22

摘要/Abstract

摘要： 为了提高入侵检测的准确率和效率，本文结合粗糙集属性约简理论，提出基于混合基因表达式编程的入侵检测算法(Intrusion Detection Based on Hybrid Gene Expression Programming，IDHGEP)。仿真实验表明，针对复杂网络入侵数据集，与传统GEP算法相比，IDHGEP算法的收敛速度提高了约1.2倍，入侵检测准确率提高了约12.04%，同时算法的平均耗时下降了约1.17倍。

关键词: 入侵检测, 粗糙集, 属性约简, 基因表达式编程

Abstract: This paper proposes Intrusion Detection Based on Hybrid Gene Expression Programming (ID-HGEP), which combines the theory of attribution reduction in rough set to improve precision and efficiency on intrusion detection. Through extensive experiments on high dimension data sets, it is shown that ID-HGEP is apparently more advantageous in terms of convergence speed, intrusion detection efficiency and average consumptive time in contrast with traditional intrusion detection algorithm on GEP.

Key words: intrusion detection, rough set, attribution reduction, gene expression programming

中图分类号:

TP301.6

邓松;林为民;张涛;. 基于混合基因表达式编程的入侵检测算法[J]. 计算机与现代化, 2011, 193(9): 33-35,3.

DENG Song;LIN Wei-min;ZHANG Tao;. Intrusion Detection Algorithm Based on Hybrid Gene Expression Programming[J]. Computer and Modernization, 2011, 193(9): 33-35,3.

[1]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[2]	潘裕庆, 张苏宁, 冯仁君, 景栋盛. 结合粒子群优化和LightGBM的入侵检测方法[J]. 计算机与现代化, 2023, 0(04): 123-126.
[3]	段珣, 杨志勇, 江峰. 一种基于邻域粒度熵的离群点检测算法[J]. 计算机与现代化, 2022, 0(10): 19-23.
[4]	饶海兵, 朱苏磊, 杨春夏. 基于空时特征融合和注意力机制的网络入侵检测模型[J]. 计算机与现代化, 2022, 0(06): 116-121.
[5]	吴水明, 吉志远, 王震宇, 景栋盛. 基于Dueling-DDQN的电力信息网络入侵检测算法[J]. 计算机与现代化, 2021, 0(12): 43-47.
[6]	邓斌涛, 徐胜超. 基于动态双子种群的差分进化K中心点聚类算法[J]. 计算机与现代化, 2021, 0(07): 54-59.
[7]	姚传文, 黄道斌, 叶明全, . 基于粗糙集自适应粒度的MR脑肿瘤图像分割[J]. 计算机与现代化, 2021, 0(01): 34-37.
[8]	闫芮铵, 张立臣. 基于Focal Loss和卷积神经网络的入侵检测[J]. 计算机与现代化, 2021, 0(01): 65-69.
[9]	李希敏, 李书琪. 基于粗糙集的多源数据库缓存冲突自动处理方法[J]. 计算机与现代化, 2020, 0(10): 36-39.
[10]	张羽1,2，郭春1,2，申国伟1,2，平源3. 一种基于信息熵的IDS告警预处理方法[J]. 计算机与现代化, 2020, 0(05): 111-.
[11]	李荷婷，冯仁君，陈海雁，景栋盛. 基于异卷积神经网络的入侵检测[J]. 计算机与现代化, 2019, 0(10): 117-.
[12]	张苏宁，王月娟，吴水明，景栋盛. 基于Krylov子空间方法的网络入侵数据聚类[J]. 计算机与现代化, 2019, 0(10): 121-.
[13]	王光琼1,2 . 不完备系统中一种增量式属性约简算法[J]. 计算机与现代化, 2019, 0(08): 69-.
[14]	籍天明1,庄岭2，俞俊1，朱广新1，王召1，缪静文1. 用于变电站终端入侵检测的熵权融合定位算法[J]. 计算机与现代化, 2019, 0(04): 114-.
[15]	李华，江峰，于旭，杜军威，刘国柱. 基于粒度决策熵的属性约简[J]. 计算机与现代化, 2018, 0(04): 7-.

基于混合基因表达式编程的入侵检测算法

Intrusion Detection Algorithm Based on Hybrid Gene Expression Programming

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价