论文部分内容阅读
传统支持向量机（SVM）方法在数据不均衡情况下无法有效实现托攻击检测。在研究SVM的基础上，提出一种基于欠采样和代价敏感SVM相结合的托攻击检测方法。利用边界样本修剪技术实现训练样本的均衡，在消除部分多数类样本显著减小数据不均衡程度的同时，保证信息损失最小。结合受试者工作特征分析技术，利用代价敏感SVM对重构后的样本集进行训练，在限定范围内自动搜索最优参数，进而调节阈值获得系统决策函数。实验结果表明，该方法能提高托攻击的检测精度。