基于ELM-SVM的入侵检测模型研究
DOI: https://doi.org/10.64083/STE2511005
作者
贾一帆，宋孟月，王莉芬，孙岚琪，闫芮铵
摘要
传统的基于支持向量机（SVM）的入侵检测系统分类思想简单，分类效果也表现出鲁棒性，但是在大数据时代，随着数据量的增加，以及入侵攻击的多样性和未知性，基于SVM的入侵检测系统出现了较高的误检率和漏检率，为了解决这些问题提出一种基于极限学习机和SVM的入侵检测系统（ELM-SVM），利用极限学习机训练速度快的优点，快速训练不同结构的极限学习机模型并产生新的数据集，然后利用SVM对数据进行分类处理，实验利用NSL-KDD数据集进行仿真实验，实验结果表明ELM-SVM的准确率和召回率为98.2%，其结果与ELM模型和SVM模型相比都有所提高，并且ELM-SVM有较快的训练速度，因此ELM-SVM模型具有更好的鲁棒性。
关键词
入侵检测；支持向量机；极限学习机；ELM-SVM
