卡方校正算法对入侵检测特征选择的优化

刘云; 郑文凤; 张轶

doi:10.14188/j.1671-8836.2021.0111

您当前的位置：

首页 >

文章列表页 >

卡方校正算法对入侵检测特征选择的优化

可信计算 | 更新时间：2026-06-23

- 卡方校正算法对入侵检测特征选择的优化
- Optimization of Chi-Square Correction Algorithm for Intrusion Detection Feature Selection
- 武汉大学学报（理学版） 2022年68卷第1期页码：65-72
- 作者机构：
  
  昆明理工大学信息工程与自动化学院，云南昆明 650500
- 作者简介：
  
  刘云，男，副教授，现从事数据挖掘、深度学习等方向研究。 E-mail：liuyun@kmust.edu.cn
  E-mail： 2867328528@qq.com
- 基金信息：
  
  国家自然科学基金(61761025);云南省重大科技专项计划项目资助(202002AD080002)
- DOI：10.14188/j.1671-8836.2021.0111
  中图分类号： TP311
- 收稿：2021-05-06，
  
  纸质出版：2022-02-24
- 稿件说明：
移动端阅览
刘云,郑文凤,张轶.卡方校正算法对入侵检测特征选择的优化[J].武汉大学学报（理学版）,2022,68(1):65-72.

LIU Yun，ZHENG Wenfeng，ZHANG Yi.Optimization of Chi-Square Correction Algorithm for Intrusion Detection Feature Selection ［J］.J Wuhan Univ （Nat Sci Ed），2022，68（1）：65-72. DOI：10.14188/j.1671-8836.2021.0111（Ch）.
刘云,郑文凤,张轶.卡方校正算法对入侵检测特征选择的优化[J].武汉大学学报（理学版）,2022,68(1):65-72. DOI：10.14188/j.1671-8836.2021.0111

LIU Yun，ZHENG Wenfeng，ZHANG Yi.Optimization of Chi-Square Correction Algorithm for Intrusion Detection Feature Selection ［J］.J Wuhan Univ （Nat Sci Ed），2022，68（1）：65-72. DOI：10.14188/j.1671-8836.2021.0111（Ch）. DOI：

摘要

在入侵检测系统中互信息特征选择标准可快速选择重要特征，通常信息熵的计算偏差会降低系统的分类性能。为了减少特征选择偏差的影响，提出卡方校正算法（chi-square correction algorithm，CSCA）。首先，对所有候选特征进行离散化处理，计算互信息特征选择相关标准的偏差；然后，将偏差项添加在特征选择目标函数中，通过CSCA优化离散化水平和特征偏差；最后，在更新后的特征集中选择当前最重要的特征子集，在分类模型中检测攻击。仿真结果表明，与MIGM（mutual information gain maximize）算法和M-DFIFS（M-dynamic feature importance based feature selection）算法相比，卡方校正算法提高了入侵检测系统的精度，同时降低了系统的误报率。

Abstract

Mutual information feature selection criteria can be used in intrusion detection systems to quickly select important features. Usually

the calculation deviation of information entropy will reduce the classification performance of the system. In order to reduce the influence of feature selection deviation

a chi-square correction algorithm（CSCA） is proposed. First

we discretize all candidate features and calculate the deviation of the relevant criteria for mutual information feature selection; secondly

we add the deviation term to the feature selection objective function

and optimize the discretization level and feature deviation through the CSCA; finally

in the updated feature set

the most important feature subset is selected to detect attacks in the classification model. The simulation results show that

compared with the MIGM（mutual information gain maximize） algorithm and the M-DFIFS（M-dynamic feature importance based feature selection） algorithm

the chi-square correction algorithm improves the accuracy of the intrusion detection system and reduces the false alarm rate of the system.

关键词

Keywords

references

NANCY P ， MUTHURAJKUMAR S ， GANAPATHY S ， et al . Intrusion detection using dynamic feature selection and fuzzy temporal decision tree classification for wireless sensor networks ［J］. IET Communications ， 2020 ， 14 （ 5 ）： 888 - 895 . DOI： 10.1049/iet-com.2019.0172 http://dx.doi.org/10.1049/iet-com.2019.0172 .

刘云，肖雪 . 基于邻域维护准则的特征选择算法优化研究［J］. 重庆大学学报， 2019 ， 42 （ 3 ）： 58 - 64 . DOI： 10.11835/j.issn.1000-582X.2019.03.006 http://dx.doi.org/10.11835/j.issn.1000-582X.2019.03.006 .

LIU Y ， XIAO X . Research on optimization of feature selection algorithm based on neighborhood preservation criterion ［J］. Journal of Chongqing University （Natural Science Edition）， 2019 ， 42 （ 3 ）： 58 - 64 . DOI： 10.11835/j.issn.1000-582X.2019.03.006 （Ch http://dx.doi.org/10.11835/j.issn.1000-582X.2019.03.006（Ch ）.

ZHANG X ， MEI C L ， CHEN D G ， et al . Active incremental feature selection using a fuzzy-rough-set-based information entropy ［J］. IEEE Transactions on Fuzzy Systems ， 2020 ， 28 （ 5 ）： 901 - 915 . DOI： 10.1109/TFUZZ.2019.2959995 http://dx.doi.org/10.1109/TFUZZ.2019.2959995 .

WANG X Z ， GUO B ， SHEN Y ， et al . Input feature selection method based on feature set equivalence and mutual information gain maximization ［J］. IEEE Access ， 2019 ， 7 ： 151525 - 151538 . DOI： 10.1109/ACCESS.2019.2948095 http://dx.doi.org/10.1109/ACCESS.2019.2948095 .

WEI G F ， ZHAO J ， FENG Y L ， et al . A novel hybrid feature selection method based on dynamic feature importance ［J］. Applied Soft Computing ， 2020 ， 93 ： 106337 . DOI： 10.1016/j.asoc.2020.106337 http://dx.doi.org/10.1016/j.asoc.2020.106337 .

FAHY C ， YANG S X . Dynamic feature selection for clustering high dimensional data streams ［J］. IEEE Access ， 2019 ， 7 ： 127128 - 127140 . DOI： 10.1109/ACCESS.2019.2932308 http://dx.doi.org/10.1109/ACCESS.2019.2932308 .

TRAN B ， XUE B ， ZHANG M J . A new representation in PSO for discretization-based feature selection ［J］. IEEE Transactions on Cybernetics ， 2018 ， 48 （ 6 ）： 1733 - 1746 . DOI： 10.1109/TCYB.2017.2714145 http://dx.doi.org/10.1109/TCYB.2017.2714145 .

ATIENCIA R S ， WEBER R . Dynamic rough-fuzzy support vector domain description for outlier detection ［C］// 2018 IEEE International Conference on Fuzzy Systems （FUZZ-IEEE） . New York ： IEEE Press ， 2018 ： 1 - 8 . DOI： 10.1109/FUZZ-IEEE.2018.8491618 http://dx.doi.org/10.1109/FUZZ-IEEE.2018.8491618 .

李郅琴，杜建强，聂斌，等 . 特征选择方法综述［J］. 计算机工程与应用， 2019 ， 55 （ 24 ）： 10 - 19 . DOI： 10.3778/j.issn.1002-8331.1909-0066 http://dx.doi.org/10.3778/j.issn.1002-8331.1909-0066 .

LI Z Q ， DU J Q ， NIE B ， et al . Summary of feature selection methods ［J］. Computer Engineering and Applications ， 2019 ， 55 （ 24 ）： 10 - 19 . DOI： 10.3778/j.issn.1002-8331.1909-0066（Ch http://dx.doi.org/10.3778/j.issn.1002-8331.1909-0066（Ch ）.

YAN B H ， HAN G D . Effective feature extraction via stacked sparse autoencoder to improve intrusion detection system ［J］. IEEE Access ， 2018 ， 6 ： 41238 - 41248 . DOI： 10.1109/ACCESS.2018.2858277 http://dx.doi.org/10.1109/ACCESS.2018.2858277 .

LUO C ， LI T R ， YI Z . An incremental feature selection approach based on information entropy for incomplete data ［C］// 2019 IEEE International Conference on Dependable， Autonomic and Secure Computing . New York ： IEEE Press ， 2019 ： 483 - 488 . DOI： 10.1109/dasc/picom/cbdcom/cyber http://dx.doi.org/10.1109/dasc/picom/cbdcom/cyber scitech.2019. 00097 .

陈谌，梁雪春 . 基于基尼指标和卡方检验的特征选择方法［J］. 计算机工程与设计， 2019 ， 40 （ 8 ）： 2342 - 2345 . DOI： 10.16208/j.issn1000-7024.2019.08.040 http://dx.doi.org/10.16208/j.issn1000-7024.2019.08.040 .

CHEN C ， LIANG X C . Feature selection method based on Gini index and chi-square test ［J］. Computer Engineering and Design ， 2019 ， 40 （ 8 ）： 2342 - 2345 . DOI： 10.16208/j.issn1000-7024.2019.08.040（Ch http://dx.doi.org/10.16208/j.issn1000-7024.2019.08.040（Ch ）.

GAO X W ， SHAN C ， HU C Z ， et al . An adaptive ensemble machine learning model for intrusion detection ［J］. IEEE Access ， 2019 ， 7 ： 82512 - 82521 . DOI： 10.1109/ACCESS.2019.2923640 http://dx.doi.org/10.1109/ACCESS.2019.2923640 .

NGUYEN M T ， KIM K . Genetic convolutional neural network for intrusion detection systems ［J］. Future Generation Computer Systems ， 2020 ， 113 ： 418 - 427 . DOI： 10.1016/j.future.2020.07.042 http://dx.doi.org/10.1016/j.future.2020.07.042 .

MOUSTAFA N ， SLAY J . UNSW-NB15： A comprehensive data set for network intrusion detection systems （UNSW-NB15 network data set）［C］// 2015 Military Communications and Information Systems Conference （MilCIS） . New York ： IEEE Press ， 2015 ： 1 - 6 . DOI： 10.1109/MilCIS.2015.7348942 http://dx.doi.org/10.1109/MilCIS.2015.7348942 .

宋勇，蔡志平 . 大数据环境下基于信息论的入侵检测数据归一化方法［J］. 武汉大学学报（理学版）， 2018 ， 64 （ 2 ）： 121 - 126 . DOI： 10.14188/j.1671-8836.2018.02.004 http://dx.doi.org/10.14188/j.1671-8836.2018.02.004 .

SONG Y ， CAI Z P . Normalized method of intrusion detection data based on information theory in big data environment ［J］. Journal of Wuhan University （Natural Science Edition）， 2018 ， 64 （ 2 ）： 121 - 126 . DOI： 10.14188/j.1671-8836.2018.02.004（Ch http://dx.doi.org/10.14188/j.1671-8836.2018.02.004（Ch ）.

浏览量

180

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

无人机网络入侵检测与信任体系研究综述

智能网联汽车安全防护技术研究综述

大数据环境下基于信息论的入侵检测数据归一化方法

文本情感倾向性分析方法:bfsmPMI-SVM

融合数据映射和知识蒸馏的恶意软件轻量化检测方法