首页|Boosting方法在网络攻击分类中的性能分析

Boosting方法在网络攻击分类中的性能分析

扫码查看
原文链接
  • 万方数据
针对KDD CUP99网络攻击数据集的分类建模问题,论文结合NaiveBayes、RIPPER和SVM三类算法分别介绍了各自的学习过程.Boosting方法属提升算法,通过多轮迭代实现弱分类器的加权组合,最终决策结果较基算法较为理想.为分析Boosting方法在KDD CUP99集上的分类性能,实验选用AdaBoost算法为代表,将以上三类算法作为基算法,依次应用到数据集上.分类预测结果表明:RIPPER算法的总体性能优于其他算法,尤其对少类的分类效果较好,使用AdaBoost后,性能改善明显.在不考虑分类效率的前提下,论文所提方法中,基于RIPPER的Boosting对KDD CUP99更为适合.
Performance Analysis of Boosting Method in Attack Classification

靳燕、姚悦

展开 >

山西大学商务学院信息学院 山西太原030031

英大商务服务有限公司运营支撑部 天津300000

KDD CUP99 分类预测 Boosting方法 性能提升

山西省自然科学基金山西大学商务学院科研基金

2010011022-22014010

2016

网络空间安全
中国电子信息产业发展研究院

网络空间安全

影响因子：0.505
ISSN：1674-9456
年,卷(期)：2016.7(6)
  • 3
  • 4