基于改進(jìn)SVM的網(wǎng)絡(luò)入侵檢測(cè)算法研究.pdf

1、隨著網(wǎng)絡(luò)安全問(wèn)題的日益突出,保證系統(tǒng)和網(wǎng)絡(luò)資源的安全成為越來(lái)越重要的問(wèn)題,入侵檢測(cè)(Intrusion Detection,簡(jiǎn)稱(chēng)ID)已成為近年來(lái)人們研究的新熱點(diǎn)。支持向量機(jī)(Support Vector Machine,簡(jiǎn)稱(chēng)SVM)在解決有限樣本、高維輸入空間的分類(lèi)問(wèn)題中表現(xiàn)出泛化能力強(qiáng)、分類(lèi)精度高等許多優(yōu)勢(shì)。針對(duì)ID數(shù)據(jù)集存在數(shù)據(jù)及特征冗余,直接對(duì)其進(jìn)行訓(xùn)練,效率及精度較低的特點(diǎn),提出了基于改進(jìn)SVM的網(wǎng)絡(luò)入侵檢測(cè)算法,并使用KDD

2、CUP1999數(shù)據(jù)集進(jìn)行了算法測(cè)試。主要研究?jī)?nèi)容如下:
　　1)遞歸支持向量機(jī)(Recursive Support Vector Machine,簡(jiǎn)稱(chēng)R-SVM)是從SVM的分類(lèi)特征中選擇使分類(lèi)器性能最好的一組特征以達(dá)到對(duì)數(shù)據(jù)進(jìn)行降維的目的。針對(duì)ID數(shù)據(jù)集較大的特點(diǎn),提出了基于R-SVM降維的網(wǎng)絡(luò)入侵檢測(cè)算法。實(shí)驗(yàn)結(jié)果表明:SVM分類(lèi)算法有較其他分類(lèi)算法(BP、C4.5、K-近鄰和最近鄰分類(lèi)算法)更好的分類(lèi)性能;與全特征分類(lèi)模型相

3、比,降維算法大大降低了模型的訓(xùn)練與預(yù)測(cè)時(shí)間;與粗糙集降維算法相比,R-SVM降維算法保證了與全特征下分類(lèi)模型相近的分類(lèi)性能。
　　2)流形學(xué)習(xí)是保證將流形上近距離的點(diǎn)映射到低維空間中的鄰近點(diǎn)以期通過(guò)發(fā)現(xiàn)高維數(shù)據(jù)集的內(nèi)蘊(yùn)特征解決“維數(shù)災(zāi)難”問(wèn)題;SVM增量學(xué)習(xí)方法能使SVM的分類(lèi)精度在SVM分類(lèi)模型的應(yīng)用過(guò)程中隨著樣本集的積累而逐步提高或者保持較好的分類(lèi)效果;K-means聚類(lèi)算法可以獲得數(shù)據(jù)的基本概況,在此基礎(chǔ)上進(jìn)行特征提取或分類(lèi)

4、可以提高模型的效率和精度。針對(duì)流形學(xué)習(xí)算法時(shí)間復(fù)雜度較高,且網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)集較大且不穩(wěn)定的特點(diǎn),提出了基于流形和SVM的網(wǎng)絡(luò)入侵檢測(cè)算法,并加入了K-means聚類(lèi)算法和SVM增量學(xué)習(xí)算法。實(shí)驗(yàn)結(jié)果表明:與無(wú)聚類(lèi)的情況相比,K-means聚類(lèi)算法在保證了模型精度的同時(shí),大大降低了模型的訓(xùn)練與預(yù)測(cè)時(shí)間;與R-SVM降維算法相比,流形學(xué)習(xí)降維算法提高了檢測(cè)率,降低了檢測(cè)時(shí)間;與無(wú)增量學(xué)習(xí)的情況相比,SVM增量學(xué)習(xí)算法較好的改善了檢測(cè)率和誤報(bào)率