基于粗糙集模型的入侵检测算法研究

为应对层出不穷的新型网络入侵,提高对未知恶意行为的检测正确率,运用粗糙集理论对入侵检测问题进行建模.先用概率粗糙集建立入侵检测模型PRS-IDM,在此基础上生成基于变精度粗糙集的检测模型VRS-IDM和其中的阈值参数β.在VRS-IDM模型基础上对检测训练集数据进行约简并构造检测规则.模拟检测实验的结果证明本方法具有良好的检测正确率,同时能有效应付未知的潜在入侵行为.     

变精度粗糙集模型与应用

介绍了Ziarko变精度粗糙集模型、β约简和广义变精度粗糙集模型;讨论了广义变精度粗糙集模型β上、下近似算子的基本性质,分析了该模型与Ziarko变精度粗糙集模型之间的关系,最后用实例分析了β约简过程.     

程度变精度覆盖粗糙集模型

针对程度覆盖粗糙集和变精度覆盖粗糙集模型的特点,通过引入误差参数,给出了一种新的程度变精度覆盖粗糙集模型。并且讨论了所给模型上﹑下覆盖近似算子的一些性质,给出了相关重要定理。     

基于粗糙集的自适应入侵检测算法

要想增强入侵检测系统的检出率,将检错的失误降低,就需要依靠基于粗糙集的自适应入侵检测算法,该检测法的提出是建立在目前的入侵检测方法之上的。基于粗糙集的自适应入侵检测算法中既有粗糙集算法,又有入侵检测技术,因此二者的结合可以将安全检测的目的达到。通过对实验数据进行分析,可以得出这样的结论:使用基于粗糙集的自适应入侵检测算法可以将检测率大幅度的提高,无论是基于BP(back propagation)神经网络算法还是支持向量机的入侵检测算法都比不上该算法,因此使用基于粗糙集的自适应入侵检测算法比较科学、有效,可以提供较好的入侵检测服务。     

变精度粗糙集下基于信息熵的属性约简算法

本文针对在Z．Pawlak粗糙集下进行属性约简中存在的问题,在对变精度粗糙集理论下卢下近似约简概念分析的基础上,引入了信息熵,建立了变精度粗糙集意义下的决策表中属性重要性的度量方式,区分了β阈值界定下的“弱不一致信息”与“强不一致信息”的不确定程度,从而刻画了标准粗糙集下正域之外的不一致信息的不确定程度,以该度量作为启发式信息,提出了基于信息熵的β下近似约简的启发式算法．这为不一致信息系统的属性约简提供了理论依据与算法．     

基于粗糙集的自适应入侵检测算法

为了提高入侵检测系统的检测率,降低错检率,在分析现有入侵检测方法基础上提出一种基于粗糙集的入侵检测算法,将粗糙集算法和入侵检测技术结合起来实现系统的安全检测.对收集到的入侵数据进行预处理、数据离散化,属性约简,并依据生成的检测规则来分析入侵数据.实验结果表明: 与基于BP(back propagation)神经网络和支持向量机的入侵检测算法比较,该算法的检测率提高10%左右,能很好地为信息系统提供入侵检测服务.     

变精度粗糙集模型

针对基本RS模型的不足，介绍了变精度粗糙集模型，并讨论了它与基本RS模型的关系。最后，定义了变精度粗糙集模型上的属性近似依赖、近似约简。     

基于粗糙集理论的入侵检测的研究

为了提高入侵检测效率,文章提出了基于粗糙集理论的入侵检测模型,通过应用LEM2和Decomposition Tree算法进行粗糙集的约简,得出了当训练数据集太多时,要对其进行分类和生成规则,必须使用分解树算法来处理的结论。并且实验证明,Decomposition Tree算法对U2R和R2L的某些攻击类型也有较好的检测率。     

基于边界域的变精度粗糙集

粗糙集理论作为分类学习的一种工具,借助一对极值映射的一元算子,利用已知的知识结构表示未知的研究对象.具体主要体现在已知知识包含于未知对象集或与对象集相交不空.随着数据规模的不断增长以及数据形式的日趋复杂,严格意义的包含常常不能满足现实的需要.因此,经典粗糙集忽略了非常接近于严格包含的情况.变精度粗糙集放宽了严格包含关系.弥补了经典粗糙集理论的这一不足.然而,和经典粗糙集相比,变精度粗糙集不可避免地失去了一些基本性质.为了进一步探讨这些性质的本质内涵,在研究已有变精度粗糙集结构和性质的基础上,提出了3类基于边界域的变精度粗糙集模型,比较研究了这些模型之间的联系和区别.结果表明,第Ⅰ类变精度模型是已有变精度粗糙集模型的推广,第Ⅱ类变精度模型则是经典粗糙集的直接拓展形式之一.这2类变精度模型都侧重于从局部多数包含的角度刻画对象集.第Ⅲ类变精度模型侧重从对象集的整体边界域,即整体多数包含的角度描述了未知知识.     

基于相似关系的变精度多粒度粗糙集

在不完备信息系统中基于相似关系,引入了可变精度和多粒度粗糙集,进而提出一种基于相似关系的变精度多粒度粗糙集模型。研究了基于相似关系的变精度多粒度粗糙集的相关性质和关系。随后讨论了基于相似关系变精度多粒度粗糙集的约简问题,提出了一种基于属性重要度的启发式分布约简算法,实例分析的结果验证了该方法的可行性。     

基于可变精度粗糙集模型的有导师机器学习

机器学习是人工智能领域中重要的研究课题,基于经典粗糙集的机器学习,只有学习者的分类被完全包含在导师的分类中时,才形成决策规则,条件比较苛刻;而基于可变精度粗糙集理论的有导师机器学习,根据学习者的分类包含在导师的分类中的包含度αi,与事先给定的精度系数β的比较,来求取具有一定相容性的决策规则,该方法更具有灵活和实用性。     

基于变精度粗糙集的一种新的区间数排序方法

针对模糊环境下的多属性决策中属性权重信息未知且属性值是区间数的情况,利用粗糙集理论将区间数排序问题转化为实数域上的排序问题,得到基于变精度粗糙集的一种新的区间数排序方法.     

变精度粗集模型中变精度值的估计

变精度粗集模型是一种有参数的粗集扩充模型．目前,基于变精度粗集模型知识约简和学习的各种算法中,参数届值都是作为领域的先验知识而被直接引入．而β值不同,约简的结果一般也不同,因此有必要寻求一种方法,实现从原始数据集本身出发完成对β值的估计和选择,从而摆脱β先验知识对结果的影响．结合决策表确定性度量和决策表相对辨识性方法,分别研究了β值的估计和选择以及参数β值对约简结果的影响．通过实例进行了分析,结果表明在利用变精度粗集模型提高系统容错度时,厣值选择是必要的。     

基于粗糙集和信息熵的入侵检测特征选择方法研究

特征选择是从与应用有关的特征集合中选取出满足需要的重要性高的最小特征子集的过程,是入侵检测中的一项重要工作.针对现有的入侵检测系统存在的先验知识较少的问题,利用粗糙集中的知识表达系统来描述入侵检测特征集合,并通过计算各个特征的信息熵来确定其相对重要性,最终选择出精简的特征集合,简化了入侵检测训练集合,减少了检测时间并可以有效的提高入侵分类的准确性.     

基于VPRS的车险高利润客户的特征挖掘

车险是保险公司的主要业务，能否发现车险高利润客户，并为其提供个性化服务已经成为保险公司是否取得竞争优势的关键。论文在分析可变精度粗糙集模型(VPRS)的基础上，采用Rosetta软件对海量的车险客户数据进行挖掘，挖出了高利润客户的特征。     

关于变精度粗糙集模型近似算子性质的一点注记

通过引进一对新的增值算子,对变精度粗糙集模型的部分性质进行推广,把并与交的β上下近似集之包含关系推广到相等关系(定理2).     

基于变精度粗糙集的产品配置规则提取及增量式更新

针对传统粗糙集产品配置规则提取方法容噪性较差的问题,应用变精度粗糙集方法,依据产品设计实例数据建立配置决策表,通过设定分类精度,进行了基于决策类下近似的相对属性约简和基于核值属性的值约简,依据支持度获得有效的产品配置规则.考虑设计实例增加对规则提取的影响,采用增量式更新方法对新增决策表进行规则提取,处理新增配置规则与原配置规则之间的重复、包含和冲突关系,依据可信度进行配置规则的更新.以水平定向钻机配置规则提取为例,验证了所提方法的可行性和有效性.     

基于粗糙集决策树算法的研究

传统的决策树方法在实际应用中存在很多不足,如生成树规模过大,抗噪性较差等,因此,提出了将变精度粗糙集和混合变量集算法应用于决策树分类中,通过变精度和混合属性集分类减小树的规模和过度拟合问题,降低了噪声数据对属性选择的影响,并通过实验证明该算法与传统的算法相比具有较大的优越性。     

一种利用属性序关系的变精度粗糙集知识约简方法

变粗糙集模型主要用于包含错误信息或缺失一些重要信息的决策表的知识获取.该文引入了变粗糙集模型和β上、下分布约简和分布约简(μ约简)的概念,并讨论了它们之间的关系;通过对约简的进一步研究,得到可辩识矩阵及其特性;在此基础上提供了利用属性序关系的约简算法,并通过含有噪声的实例验证了此方法的可行性和有效性.