本文使用一種新的集成方法，稱為EDKC (Ensemble of Different Kind of Classifiers)，
用于入侵檢測(cè)。EDKC集成不同的分類器形成組合分類器，并且通過(guò)加權(quán)投票表決對(duì)未知樣本進(jìn)行分類。在KDDCUP數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，EDKC不僅具有較高的F-度量值，能達(dá)到目標(biāo)類召回率和精度的平衡，而且能夠取得很高的分類準(zhǔn)確率。
關(guān)鍵詞 入侵檢測(cè)；組合分類器；投票
隨著計(jì)算機(jī)及網(wǎng)絡(luò)系統(tǒng)中存儲(chǔ)的重要信息越來(lái)越多，以及在網(wǎng)上進(jìn)行的商務(wù)活動(dòng)量的劇
增，系統(tǒng)的安全問(wèn)題顯得日益突出，我們需要盡可能找到更好的措施以保護(hù)系統(tǒng)免受入侵者的攻擊，入侵檢測(cè)技術(shù)也就應(yīng)運(yùn)而生。文獻(xiàn)[1]簡(jiǎn)單介紹了入侵檢測(cè)發(fā)展技術(shù)。入侵檢測(cè)可以看作是一個(gè)分類問(wèn)題,把給定的審計(jì)數(shù)據(jù)分為正常數(shù)據(jù)和異常數(shù)據(jù)。
集成學(xué)習(xí)方法是機(jī)器學(xué)習(xí)領(lǐng)域逐漸發(fā)展起來(lái)的用于提升弱分類算法準(zhǔn)確率的技術(shù)，被認(rèn)
為是近十年來(lái)提出的最有效的學(xué)習(xí)思想之一。集成學(xué)習(xí)方法主要包括Bagging[2]和
Boosting[3]，雖然它們抽樣方式不相同，但是都試圖通過(guò)組合多個(gè)弱分類器的輸出以產(chǎn)生有效的“委員會(huì)”，改善算法的分類性能。本文提出一種新的分類算法EDKC (Ensemble of Different Kind of Classifiers)，用于入侵檢測(cè)。