基于模式識別的入侵檢測關(guān)鍵技術(shù)研究.pdf

1、隨著網(wǎng)絡技術(shù)的飛速發(fā)展以及廣泛應用，網(wǎng)絡安全成了越來越重要的問題。如何能快速、準確、有效地識別已有的攻擊和日益增多的新的攻擊就是入侵檢測系統(tǒng)所面臨的迫切問題。自從SandeepKumar博士將模式識別技術(shù)引入到網(wǎng)絡入侵檢測中以來，基于模式識別或智能方法的入侵檢測技術(shù)得到了迅猛地發(fā)展，取得了令人鼓舞的效果。相對于傳統(tǒng)的入侵檢測技術(shù)來說，采用模式識別的入侵檢測具有檢測準確度高以及能識別大量新型攻擊的優(yōu)點，但是同時也具有計算復雜度高、難以適應

2、實時入侵檢測要求的缺點。本文提出了基于BP神經(jīng)網(wǎng)絡分類器的入侵檢測模型。由于入侵檢測的訓練數(shù)據(jù)具有較高的維數(shù)(特征數(shù))和非常大的實例數(shù)，因此很有必要對輸入到神經(jīng)網(wǎng)絡分類器的訓練數(shù)據(jù)進行特征壓縮和實例壓縮。這樣就可以大大減少采用模式識別方法的入侵檢測系統(tǒng)的計算開銷。為了達到這一目的，本文對以下幾個關(guān)鍵問題進行了研究： 1、訓練數(shù)據(jù)的特征提取與選擇。為了降低神經(jīng)網(wǎng)絡分類器的計算量，提高分類器的性能，對輸入的訓練數(shù)據(jù)進行特征提取與選擇

3、。本文對特征提取與選擇算法進行了比較深入地研究。 (1)首先研究了基于主成分分析(PCA)的特征提取方法。在該方法中，先使用ReliefF算法去除原始特征中與分類無關(guān)的特征，然后再利用PCA變換提取合適個數(shù)的主成分。 (2)接著研究了基于啟發(fā)式搜索的特征選擇方法。提出了一種基于變量相似性的特征選擇算法。先使用ReliefF算法去除原始特征中與分類無關(guān)的特征，然后利用最大信息壓縮準則去除剩下特征之間的冗余性。 (3

4、)然后又把特征選擇算法由啟發(fā)式的搜索方法擴展到非啟發(fā)式的進化搜索方法。提出了基于改進遺傳算法的特征子集選擇方法。該方法結(jié)合了免疫克隆選擇算法和簡單遺傳算法的優(yōu)點，性能要優(yōu)于簡單遺傳算法。 (4)最后提出了一種基于混合穩(wěn)態(tài)遺傳算法的特征選擇方法。 該方法是在穩(wěn)態(tài)遺傳算法的基礎(chǔ)上把選擇和交叉操作算子結(jié)合起來。該算法具有相對低的計算復雜度以及較好的搜索性能的優(yōu)點。 提出的特征提取與選擇算法在保持分類器分類性能的同時均有

5、效地壓縮了訓練數(shù)據(jù)的特征。 2、訓練數(shù)據(jù)的雙向壓縮。雖然特征提取與選擇壓縮了特征數(shù)目，但由于訓練數(shù)據(jù)擁有太多的實例數(shù)，如不對實例進行壓縮選擇，一方面會增加分類器的計算開銷，另一方面會導致對分類器進行“過訓練”而影響分類效果。本文提出一種基于主成分分析的特征提取以及基于混合穩(wěn)態(tài)遺傳算法的實例選擇的雙向數(shù)據(jù)壓縮方法。該方法不僅有效地壓縮了行數(shù)據(jù)(特征)，而且也對列數(shù)據(jù)(實例)進行了很好地壓縮。實驗結(jié)果表明雙向數(shù)據(jù)壓縮方法大大降低了分