ما ينهاي، هو جين بينغ

(علوم الحاسب والتكنولوجيا، جامعة نانجينغ، نانجينغ 211816)

AKO-RVM خوارزمية تصنيف لديها خصائص عالية الدقة، وفيما يتعلق خوارزمية RVM الذي يحط من قدر أداء الاعتماد على المعايير الأولية إلى حد ما، من الخوارزمية الكلاسيكية RVM طريقة كشف التسلل أمن الشبكات. ومع ذلك يعد المقترحة لهذا النوع من الموازي الابتدائي والثانوي سرب الجسيمات طريقة AKO-RVM على أساس احتمال العينة عندما التدريب AKO-RVM والتصنيف، أي يتم تجميع عينات التدريب لمواز من نوع الابتدائي والثانوي سرب الجسيمات تحديد AKO-RVM يتم تطبيق المعايير النووية واسعة والأمثل، وزيادة تكوين نموذج تصنيف RVM، ثم باستخدام طريقة تصنيف متعددة فئة واحدة إلى الكشف. وقد اظهرت النتائج ان الغزو، في حين أن الطريقة المقترحة مع الدقة العالية والأداء، وانخفاض الاعتماد من الخصائص، والحد من العدد المطلوب من تكرار التدريب واختبار الوقت إلى حد كبير.

كشف التسلل، RVM، احتمال تحسين سرب الجسيمات

TP393

كود الوثيقة: A

10.16157 / j.issn.0258-7998.2016.11.032

شكل الاقتباس الصيني: Mawen هاي، هو جين تاو. مجموعة الجسيمات على أساس احتمال مواز كشف التسلل AKO-RVM التكنولوجيا الالكترونية، 2016،42 (11): 119-121،125.

الإنجليزية شكل الاقتباس: ما ينهاي، هو جين بينغ. التسلل كشف باستخدام التلقائي عرض نواة الأمثل RVM على أساس PSO مواز احتمالي .Application من تقنيات الالكترونية، 2016،42 (11): 119-121،125.

0 مقدمة

مع النمو الهائل لشبكات المعلومات، والهجمات الإلكترونية تعني لا نهاية لها، كشف التسلل يلعب دورا حيويا في حماية أمن الشبكة، وكيفية معالجة بكفاءة ودقة كميات كبيرة من البيانات تحتاج إلى حل المشكلة الحالية. ولذلك، التكنولوجيا المتقدمة تصنيف ذكية لها أهمية عملية مهمة في مجال البحوث التطبيقية في مجال كشف التسلل . آلة ناقلات النسبي (RVM) لديه قدرة جيدة غير الخطية معالجة SVM وقدرة التعميم، يمكن حل فعال لمزايا غير الخطية، وغيرها من عينة صغيرة . ومع ذلك، فإن وظيفة المعلمات نواة RVM تعتمد أيضا على التجريبي، وقد اقترح الباحثون SVM الأساسية التحسين التلقائي واسعة نسبيا (AKO-RVM) خوارزمية ، والتي يمكن أن تقلل بشكل فعال في اختيار الاعتماد RVM الأولية المعلمة نواة، وتحسين دقة التصنيف، ولكن في أقصى سرعة التقارب والتعقيد الحسابي لديها قصور كبير. وتقترح هذه الورقة طريقة تقوم على احتمال AKO-RVM PSO الموازي ، التي يتم تجميع عينات التدريب خوارزمية AKO-RVM الأولى، وثانيا موازية مجموعة الجسيمات الأولية والثانوية من صيغة (PSO) خوارزمية واسعة المجمعة النووي الخوارزميات الأمثل ضمان التقدم AKO-RVM مع تحسين فعالية معدل التقارب ويقلل من التعقيد الحسابي، ثم استكشاف آلة ناقلات أهمية خوارزمية سريعة لتحسين دقة كشف التسلل.

1 الأساسية تحسين تلقائيا عرض ناقلات أهمية آلة خوارزمية

1.1 RVM

أهمية ناقل آلة (RVM) هو متفرق نموذج التعلم الاحتمالي في دعم آلة ناقلات (SVM) بشأن إنشاء. منح مجموعة التدريب العينة والهدف tkR xkRN يتم توزيع مستقلة عن صيغة (1) يعطي العلاقة بين البلدين:

حيث ث = T هو وزن النموذج الخطي من عامل الوزن، K (س، XK) لمجموعة التدريب عينة مقدما وظيفة النواة، ونموذج الترجيح الخطي للحصول على ذ ظيفة تقدير (XK)، على الرغم من أن نموذج RVM أي قيود على اختيار النواة، ولكن في نموذج RVM الأكثر استخداما هو النواة جاوس، يتم تعريف نموذج وظيفتها الأساسية على النحو التالي:

حيث b هو عرض من جوهر وظيفة النواة. في التطبيقات العملية، ويرجع ذلك إلى عدد من العينات التدريب، مع تغييرات ديناميكية من الوقت، لذلك الثابتة عرض نموذج RVM النووي قد يؤدي إلى انخفاض الأداء. ووفقا لهذه الطريقة المقترحة لتغيير جوهر العرض خوارزمية AKO أساس RVM-RVM حيوي.

للحصول على صيغة (1)، أي مجموعة التدريب عينة مجموعة، فمن الضروري أن نفهم رقم الطراز RVM ظائف احتمال هامشية النموذج الذي:

كما يمكن أن يرى من فوق لعملية تصنيف مجموعة RVM تدريب عينة هو عملية تكرارية حل ، وأخيرا من خلال وظيفة احتمال حافة RVM من العينات نموذج التصنيف التي تم الحصول عليها من المعادلة (1)، وفقا للمعادلة التالية (1).

خوارزمية 1.2 AKO-RVM

AKO-RVM خوارزمية بتدريب تلقائيا عينات من التغييرات النووية مختلفة وفقا لنواة جاوس واسعة، للتأكد من أن نتائج التدريب RVM RVM القيمة الأولية اسعة النووية بغض النظر عن الإعداد، لذلك صيغة (2) ويمكن إعادة كتابة على النحو التالي:

بعد مرورها من خلال الحجة و وصلت متاخر من 1 يحسب عن طريق التفريق، وملزمة من صيغة (7) لحساب الصيغة التكرارية واسعة النووية.

AKO-RVM أساسا خوارزمية تكرارية يمكن أن ينظر من فوق عينات مختلفة التدريب لعرض الأساسية مناسبة، ومزيد حلالا تكرارية [ألفا]، للحصول على الصيغة النهائية (1) وفقا للمعادلة (1) لعينات تصنيف.

2 على أساس احتمال الابتدائية والثانوية الجسيمات الموازي سرب تحسين خوارزمية AKO-RVM

عدد عشوائي، Pbest وحيث Gbest بين 1، 2 (0،1) هي الحل الأمثل لمجموعة الأمثل الجسيمات العالمية والمحلية الحالية. من الوثيقة مفهومة، عندما يأخذ رقم عشوائي، وLmax هو الحد الأقصى لعدد مرات التكرار، C1 = 2.5-2l / Lmax، عندما C2 = 3-C1، يمكن تعزيز أداء PSO الخوارزمية.

PSO اتخاذ وضع مقارنة المسلسل، وجود قيود كبيرة. للحصول على أداء أفضل، اقترحنا موازية مجموعة الجسيمات الأولية والثانوية من صيغة نموذج AKO-RVM (P2AKO-RVM) بناء على الاحتمال.

1، P2AKO-RVM أولا، يتم تجميع العينات التدريب، وعينات مجمعة وفقا لصيغة (7) هي النواة مصمم العرض B، على التوالي، ومن ثم يرسله إلى المعالج المساعد، فإن الجزيئات الفردية معالج مساعد معلومات المثلى التي تنتقل عن طريق حساب الاحتمال إلى المعالج المضيف، المعالج المضيف لإيجاد احتمالات لياقة بدنية أكبر الجسيمات واسعة النووية التي كحل أمثل العالمي الجديد، ومعالج مساعد يتلقى الحل الأمثل العالمي الجديد، واستعمالها يتم تنفيذ استكمال السرعة الحسابية التكيف المقبل. ومن يعرف هنا باسم معامل الاحتمالات، واللياقة البدنية للصيغة يعرف Ffitness قيمة P2AKO-RVM على النحو التالي:

حيث، T هو طول من العينات تدريب إشارة الدخل الحالي، ZT هو عدد الجزيئات في كل مجموعة، متى هو عدد العينات التدريب الحزمة، Q3 لتسريع.

P2AKO-RVM خوارزمية الخطوات التالية:

يتم تجميع (1) مجموع العينات التدريب، وعدد العينات التدريب كل من م، م هو 3 لتحديد النص، إذا وجود عينات التدريب المتبقية، والتخلص منها.

(2) حساب الجسيمات عرض ب عينات التدريب RVM الأساسية التي تم تجميعها حسب الصيغة (7).

تم تقسيم (3) جزيئات ب اسعة النووية إلى مجموعات م، وجوهر العرض RVM الجسيمات ب بعد تنتقل الحزمة إلى م المعالجات الثانوية المناظرة، إذا كانت الجزيئات المتبقية موجودة، يتم تجاهل.

يتم تحديد (4) مجموعة م بالتوازي مع المعالج الثانوي التهيئة RVM نوى مجموعة الجسيمات واسعة نظرا عشوائيا السرعة الأولية وموقف كل الجسيمات أن تكرارية الدقة، المعلمات معامل التسارع.

(5) حساب لياقة بدنية RVM عرض الجسيمات الأساسية (ب) من المعالج الموازي الثانوي وفقا لصيغة (10) مجموعة م.

(6) موازية المعالج الثانوي والمعلومات الشخصية أفضل الأمثل للمعالج المضيف.

(7) المعالج الرئيسي للعثور على أكبر احتمال لياقة بدنية RVM الجسيمات الأساسية عرض ب ويرسل الحلول الأمثل كما الصحافة الثانوية المعالجات عالمية جديدة م متواز.

يحدد (8) مواز معالج مساعد ما إذا كان التكرار أو الجسيمات تلبية متطلبات الدقة عن طريق التكرار وضع قد اكتملت، واقتنعت إذا كان ينهي التكرار، وإلا فإن العرض الأساسي الجديد للجسيمات مع المعالج المضيف ترسل إلى الحل الأمثل عالمي جديد، وتكرار الخطوات (6).

(9) سيكون يفضل أن يكون العرض الأمثل للجسيمات الأساسية RVM تستبدل آلة التدريب الموجه المتعلقة كشف عن صيغة (3).

2.1 P2AKO-RVM الخوارزمية بمعالجة المعالج الرئيسي

(1) احتمال تلقي المعالج الثانوي تكييفها المرسلة.

(2) يجد أعظم الجسيمات متر احتمال اللياقة البدنية Ffitness على الإطلاق الواردة.

(3) إذا كانت قيمة التكيف الحالية أكبر من extremum العالمية المختارة Ffitness، المقابلة لموقف الجسيمات سوف Ffitness كما extremum العالمي الجديد.

(4) extremum العالمي الجديد إلى المعالج مساعدة.

2.2 P2AKO-RVM خوارزمية عمليات المعالج المساعد

(1) يتلقى المعالج الرئيسي يرسل extremum العالمية، وجوهر العرض يتم تحديد ما إذا كان قد تم الانتهاء من الجسيمات أو الروافد دقة مسبقا من التكرارات، نهاية التكرار إذا كان المعالج الثانوي، تستمر إلا لخطوة (2).

(2) بواسطة الصيغة (8) و (9) لتحديث المعلومات الحالية موقف وسرعة الجسيمات، ويحيله إلى المعالج المضيف.

3 التطبيق العملي

التجريبية اختيار العينة kddcup_data_10precent هنا كشف التسلل حزمة كما العينات التجريبية، وقد تم اختيار لإجراء التجارب 4 وسائط: عادي، ipsweep، نبتون، الحوت، الذي يعرف بأنه 1،2،3،4. بالإضافة إلى الوضع العادي لغزو غير طبيعي. كل واسطة لاختيار 500 مجموعات البيانات، حيث كل مجموعة من البيانات 100 قبل اختيار أنماط المتبقية من عينة الاختبار، أي ما مجموعه 400 مجموعات من عينات التدريب، ومجموعة التدريب، و 1600 العينات وعينات التدريب. المادة التوالي RVM، AKO-RVM، P2AKO-RVM كشف التسلل، كما هو مبين في الشكل.

الشكل 2 P2AKO-RVM الخوارزمية باستخدام 3 المعالجات الثانوية موازية (م = 3) مجموعات من 400 عينة للتدريب، ويمكن رؤية تصل إلى 45 مرات كل التكرارات معالج الثانوية، فإن كل تكرار الختيار عرض الأمثل الأساسية، انخفاض كبير في عدد التكرارات آكو-RVM الخوارزمية.

3 غير AKO-RVM، حواف خوارزميات اثنين P2AKO-RVM احتمال المتغير مع عدد التكرارات من المنحنى.

وكما يتبين من الشكل 3، P2AKO-RVM خوارزمية الحد بشكل كبير من عدد التكرارات من التدريب مع ضمان أقصى قدر من عرض الأساسية. إلى حد ما، وتعظيم بشكل أسرع من AKO-RVM،

يقارن الجدول 1 أداء ثلاثة أنواع من جوانب خوارزمية كشف التسلل من النص المستخدم في دقة الكشف، ومعدل انذار كاذب والكشف عن مجموعة متنوعة من المؤشرات لقياس 3 عندما كشف القائم على التوالي. وتعرف على النحو التالي:

وكما يتبين من الجدول 1 تحت الظروف التجريبية نفسها، فيما يتعلق RVM، ودقة الكشف AKO-RVM P2AKO-RVM الخوارزمية في كشف التسلل وتحسنت كثيرا، وخاصة خوارزمية P2AKO-RVM، فيما يتعلق AKO-RVM، لضمان دقة الكشف عالية مع الحد بشكل كبير من عدد التكرارات تدريب، ويقلل من وقت الكشف عن بعض.

4 خاتمة

هذا ويعرض ورقة احتمال الموازي الابتدائي والثانوي سرب الجسيمات شبكة AKO-RVM طريقة كشف التسلل (P2AKO-RVM) يستند، يمكن P2AKO-RVM ضمان دقة خوارزمية تصنيف AKO-RVM بينما مناسبة لتحسين السريع للعينات التدريب الحالية النووي مجموعة المعلمة العرض. من خلال التجارب تبين أن طريقة P2AKO-RVM RVM ليس فقط يقلل من تأثير قيمة التهيئة للتدريب وكشف دقة، ولكن في نفس الوقت ضمان دقة الكشف عالية من انخفاض كبير في عدد التكرارات التدريب والتطبيقات كشف التسلل في أكثر من RVM AKO-RVM خوارزمية ولها آفاق جيدة، ويمكن أيضا دراسات لاحقة أن بعض وظيفة أخرى لتوجيه RVM متعددة النواة.

مراجع

RAMAN S، K هريش، سينغلا R K.An نظام كشف التسلل باستخدام التنميط حركة مرور الشبكة والانترنت متتابعة تطرفا آلة التعلم نظم .Expert مع تطبيقات، 2015،42 (22): 8609-8624.

وو Lianghai. التحسين الصلة آلة المتجهات الكشف عن شبكة الاقتحام بناء على PSO الالكترونيات الدقيقة والحاسوب، 2010 (5): 181-184.

التعلم TIPPING M E.Sparse النظرية الافتراضية وآلة ناقلات صلة .Journal من آلة الأبحاث التعلم، 2001،1 (3): 211-244.

يلدا M، HAMID S.Gaussian نواة العرض الأمثل لمتفرق النظرية الافتراضية المعاملات .IEEE على الشبكات العصبية والتعلم نظم التعلم، 2015 (4): 709-719.

دونالد لي، هو جين جيان بينغ، Xiake ون مقرها كشف التسلل RVM سحابة من PSO السيطرة والقرار 2015 (4): 698-702.

سابان G، HALIFE K.A بالتوازي رواية خوارزمية متعددة سرب الجسيمات على أساس التعلم سرب التحسين الشامل تطبيقات .Engineering الذكاء الاصطناعي، 2015 (10): 33-45.

MALIK A J، SHAHZAD W، خان F A.Network كشف التسلل باستخدام الهجينة PSO الثنائية والغابات عشوائية خوارزمية .Security وشبكات الاتصالات، 2015،8 (16): 2646-2660.

CHEN S.An كفاءة تصميم predistorter لتعويض الذاكرة غير الخطية مكبرات الصوت عالية الطاقة .IEEE Trans.on الإذاعة، 2011 (4): 856-865.

مزايا العضوية في نهاية العام بعد التمديد!