基于選擇性集成學習的網(wǎng)絡入侵檢測方法研究.pdf

1、隨著網(wǎng)絡安全風險系數(shù)的不斷提高，曾經(jīng)作為最主要的安全防范手段的防火墻，已經(jīng)不能滿足人們對網(wǎng)絡安全的需求。作為對防火墻的有益補充，入侵檢測系統(tǒng)能夠快速發(fā)現(xiàn)網(wǎng)絡攻擊的發(fā)生。近年來，網(wǎng)絡入侵檢測技術得到了快速的發(fā)展，但其理論基礎仍然不夠完善，在實際應用中還存在著對新攻擊檢測率低、時間復雜度高、泛化能力差等問題。為了解決現(xiàn)有的入侵檢測系統(tǒng)所存在的問題，本文采用機器學習的思想對網(wǎng)絡入侵檢測技術進行研究，并設計出基于選擇性集成學習的網(wǎng)絡入侵檢測方法

2、。
　　選擇性集成學習可以在提高學習系統(tǒng)泛化能力的同時有效降低系統(tǒng)的計算與存儲開銷。因此，本文采用選擇性集成學習來檢測網(wǎng)絡入侵。首先，考慮基學習器的訓練問題，提出一種基于依賴決策熵的決策樹分類算法DTDDE；其次，考慮基學習器的選擇與集成問題，提出一種新的基于決策樹的選擇性集成學習算法SELDT，SELDT算法利用DTDDE來訓練基學習器，并通過Q-統(tǒng)計量來計算基學習器之間的差異度。第三，考慮選擇性集成學習在網(wǎng)絡入侵檢測中的應用問

3、題，即利用SELDT算法來檢測網(wǎng)絡入侵，從而構建出一種新的入侵檢測方法。該方法可以在不增加入侵檢測系統(tǒng)建模時間的前提下，有效提高系統(tǒng)的檢測性能。
　　本文的主要工作包括以下幾個方面：
　?。?）提出一種基于依賴決策熵的決策樹分類算法DTDDE。針對傳統(tǒng)的基于信息熵的決策樹算法所存在的問題，提出一種依賴決策熵的概念，并使用依賴決策熵來計算屬性重要性，從而設計出一種基于依賴決策熵的決策樹分類算法DTDDE。通過在多個UCI數(shù)據(jù)集

4、上的實驗表明，與現(xiàn)有的決策樹算法相比，DTDDE算法能夠獲得更好的分類性能。
　?。?）提出一種新的基于決策樹的選擇性集成學習算法SELDT。通過對原始數(shù)據(jù)進行有放回的抽樣來獲得多個訓練集，分別在每個訓練集上利用（1）中所提出的決策樹分類算法DTDDE來訓練一個基學習器，并利用Q-統(tǒng)計量來計算基學習器之間的差異度。最后，選擇M個差異度最大的基學習器來構建集成學習器。通過在真實數(shù)據(jù)集上的實驗驗證了SELDT算法的有效性。