SVMlight算法和SMO算法在入侵检测中不同之处.pdfVIP

第16 卷第5 期（2011） Ｖｏｌ． 16 No.5 （2011） SVMlight 算法和SMO 算法在入侵检测中的 比较研究 李秦渝 王秀丽 （兰州城市学院信息工程学院，甘肃兰州 730070） 算法和 算法在入侵检测领域的应用都是近年的研究热点 为了从中找到一种更适合 摘 要：SVMlight SMO . 入侵检测的算法，使用不同规模训练集和测试集进行多组实验，从不同角度研究它们在入侵检测中的特性，从 检测精度、误报率和漏报率方面研究探讨两种算法各自在入侵检测中的优劣，并进行综合比较研究，找出了较 优的算法为SMO 算法. 关键词：SVM ；SVMlight 算法；SMO 算法；入侵检测 （ ） 中图分类号：TP393.08 文献标识码：Ａ 文章编号：１００８－９０２０ ２０11 0５-０35－０3 0. 引言 （3）收缩（Shrinking） 近年来支持向量机（Support Vector Machine,SVM）在入 一般情况下，支持向量的数目要远远少于训练样本的数 侵检测领域的应用已成为一个研究热点，而SVM 理论在发 目.如果事先知道哪些样本是支持向量，就可以直接对这些支 展过程中不断涌现出新的算法，为了在入侵检测中获得较高 持向量进行训练.对于大多数的问题而言，在迭代最后，有很 的检测精度，选择一种较适合的算法是很有必要的. 传统的 大一部分支持向量的Lagrange 乘子为C，称这一部分支持向 SVM 算法在训练时存在着占用内存大、训练速度慢等问题， 量为边界支持向量.在优化过程中，若样本的Lagrange 乘子 [1,2] 并不适合入侵检测的要求 .因此SVM 算法的研究者们一直 在多次迭代过程中都等于上边界C，则可以认为在最终结果 致力于快速算法的研究，也取得了很多成果，目前比较快速 中该样本的Lagrange 乘子仍然处在上边界C. 这样的样本 [3] 有效的算法有分解算法，SVMlight 算法和SMO 算法等 . 由于 Lagrange 乘子一旦到达C，在随后的迭代过程中将不会改变， SVMlight 算法和SMO 算法均基于分解算法，有着各自的优 继续对它们进行联合优化已经没有意义.所以将其剔除训练集放 势，因此选择了SVMlight 算法和SMO 算法进行入侵检测实 到一个非活动集中，称缩减后的训练集为活动集.在此后的迭代