基于MDM的KELM学习器选择性集成网络入侵检测
【摘要】 采用集成学习模式进行入侵检测时，可以获得比单个学习器更高效的网络攻击识别过程，并能显著提高识别准确率。设计的SN通过MDM对各KELM子学习器计算得到集成增益度，从中选出具有较高增益度的KELM子学习器再实施集成。选择Bagging方式完成抽样集成过程，同时以Hadoop分布式结构对算法实施训练，通过并发方式完成各子KELM的检测，使算法达到更高的效率。通过测试发现，不管对于公共KDD99数据集还是以手工方式建立的网络物理仿真系统，SN都可以高效发现各类入侵行为，满足实际应用要求。
