基于數(shù)據(jù)流特征選擇及分類算法的入侵檢測模型研究.pdf

1、由于互聯(lián)網(wǎng)的飛速發(fā)展，現(xiàn)實社會已經(jīng)融入到互聯(lián)網(wǎng)。但是由于互聯(lián)網(wǎng)安全性不高，所以網(wǎng)絡安全研究變得十分重要。本文針對網(wǎng)絡安全進行了如下相關的研究工作。
　　經(jīng)過研究我們發(fā)現(xiàn)入侵檢測研究的數(shù)據(jù)已經(jīng)轉(zhuǎn)變?yōu)閿?shù)據(jù)流的形式，若要對數(shù)據(jù)流進行快速地分類需要克服以下難題:1）對數(shù)據(jù)進行單次掃描;2）算法占據(jù)內(nèi)存不隨著數(shù)據(jù)流遞增而增加;3）對數(shù)據(jù)流處理要快速。
　　Hoeffding樹是一種數(shù)據(jù)流分類算法，本文改進了原Hoeffding樹的缺點

2、得到Hoeffding-ID(Hoeffding Intrusion Detection Tree)。Hoeffding-ID只掃描一次數(shù)據(jù);除了各個節(jié)點處所保留的統(tǒng)計信息，Hoeffding-ID所占用的內(nèi)存也不隨著數(shù)據(jù)流遞增而增加;同時Hoeffding-ID也改進了原Hoeffding樹的缺陷。與擁有高分類準確率及較低錯誤率的J48決策樹比較，Hoeffding-ID也擁有較高的檢測率及較低的錯誤率，并且在內(nèi)存占用方面優(yōu)于J48。

3、
　　在實驗中我們發(fā)現(xiàn)對于維度大的數(shù)據(jù)，分類算法在分類過程中占用內(nèi)存較多。為了減少分類算法占用的內(nèi)存，對數(shù)據(jù)進行特征選擇的研究變得尤為重要。本文基于互信息改進得到了新的單位度量-集合互信息。集合互信息能全面地衡量特征集合對于分類結(jié)果的影響，并且提供標準的單位度量;同時我們引入Hoeffding不等式作為篩選準則，得到特征選擇算法HSF(Hoeffding SelectionFeature Algorithm)。與經(jīng)典BIF特征選擇

4、算法進行實驗對比，實驗結(jié)果表明HSF算法篩選出的特征屬性子集比BIF更能準確地描述數(shù)據(jù)。
　　最后本文基于數(shù)據(jù)流特征選擇算法HSF及分類算法Hoeffding-ID提出了一種入侵檢測模型HIDM(Hoeffding Intrusion Detection Model)。HIDM借由同步及緩存機制實現(xiàn)HSF與Hoeffding-ID的協(xié)同工作。實驗表明，HIDM模型提高了入侵檢測的準確率，減少了檢測時間，同時還降低了模型內(nèi)存的占用率