论文摘要
当前网络恶意入侵数据识别方法误检率高、识别效率低,提出基于蚁群的恶意入侵数据识别方法。选取数据集一级分类属性集合,得到第一次数据分类依据值,给出数据分类依据集合。将网络总数据集合划分成若干个不重叠的子数据集合,将第一次数据分类集合中的部分数据当作操作数据进行二级分类。随机从总数据集合划分结果中选取一个子集合,对子集合中数据相似度进行计算,设置一个固定大小的窗口,对升序排列后的子数据集在窗口中实施分割截取操作。对比截取结果中某两段相邻数据之间的相似度差值,将差值与定义阈值进行比较,实现网络冗余去除和异常数据初步识别。根据去冗和异常初步识别,计算蚂蚁状态转移概率。利用转移概率计算结果获取蚁群适应度函数,并更新蚁群寻优路径上的信息浓度。判断是否找到信息浓度最高的位置或是否达到最大迭代次数,将网络恶意入侵数据多状态识别结果输出。实验结果表明,上述方法误检率低、识别效率高,具有科学性。
论文目录
文章来源
类型: 期刊论文
作者: 张永
关键词: 交互式网络,恶意入侵,数据,识别
来源: 计算机仿真 2019年11期
年度: 2019
分类: 信息科技
专业: 互联网技术
单位: 天津理工大学聋人工学院
分类号: TP393.08
页码: 272-275
总页数: 4
文件大小: 816K
下载量: 17