基于支持向量機的協同入侵檢測.pdf

1、隨著網絡技術的發(fā)展及網絡應用的普及,入侵檢測作為網絡安全的主動防御工具,也面臨著更多新的挑戰(zhàn),尤其是在大量的網絡數據、在線學習以及噪聲數據等情況下,無法準確識別網絡行為。作為分類問題的入侵檢測,是根據提取到的用戶特征數據把用戶行為分為正常行為和異常行為,因此入侵檢測可轉化為模式識別問題。
　　 支持向量機是基于統計學習理論的一種新的機器學習方法,特別是在高維數據空間下,能夠有效克服維數災難、過學習等問題,已經在模式識別、回歸計算

2、等領域得到廣泛的應用。因為支持向量機具有非線性、小樣本、全局最優(yōu)等優(yōu)勢,把支持向量機應用到入侵檢測中,可以在先驗知識不足、高維數據、非線性等情況下,仍然具有較高的檢測準確率,提高入侵檢測系統的整體性能。
　　 本文分析了支持向量機應用到入侵檢測中的優(yōu)點和不足,結合網絡入侵檢測應對大規(guī)模網絡的丟包率高、噪聲數據多、在線學習難等問題,給出相應的解決方法,主要工作包括:
　　 (1)提出了一個協同入侵檢測模型,該模型包括數據采

3、集器、數據預處理、檢測代理和決策相應四部分。多個檢測代理協同工作有效減少檢測系統由于負載過大而導致丟包率,從而更準確的獲得網絡行為特征,提高檢測系統的檢測準確率；
　　 (2)構建了三類檢測代理:TCP檢測代理、UDP檢測代理和ICMP檢測代理,并根據不同的協議類型對檢測代理進行相應的特征提取,分別用32、21和18個特征代替KDDCUP數據集中的41維特征,因此大大減少了檢測代理處理數據的時間:
　　 (3)將模糊隸屬

4、度函數引入到檢測代理的構建中。消除或者減少噪聲數據對構建分類超平面的影響,從而更準確的構建支持向量機決策函數,提高支持向量機的分類準確率；
　　 (4)采用支持向量機并行算法構建檢測代理。支持向量機訓練的時間復雜度是O(n3),隨著訓練數據集的增加,訓練時間也急劇增加,并行算法可以有效的減少訓練時間；
　　 (5)引入自適應機制到檢測代理的構建中。針對準支持向量的特點,并結合KKT條件和無監(jiān)督聚類算法,對支持向量機的增量