

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、近年來(lái),入侵檢測(cè)在網(wǎng)絡(luò)安全中發(fā)揮著越來(lái)越重要的作用,有效地彌補(bǔ)了傳統(tǒng)靜態(tài)防御技術(shù)的不足。但由于入侵手段的復(fù)雜性和多樣性,至今也沒(méi)有找到入侵行為與網(wǎng)絡(luò)連接信息之間的確定函數(shù)關(guān)系。盡管如此,機(jī)器學(xué)習(xí)方法仍然可以對(duì)這種函數(shù)關(guān)系進(jìn)行有效的逼近與估計(jì)。 支持向量機(jī)(SVM)是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論(SLT)基礎(chǔ)之上的機(jī)器學(xué)習(xí)方法。它將最大間隔原則和核函數(shù)理論結(jié)合在一起,有效地解決了長(zhǎng)期困擾機(jī)器學(xué)習(xí)領(lǐng)域的小樣本、高維數(shù)、非線性、過(guò)學(xué)習(xí)、局部
2、最優(yōu)解等難題。將SVM方法用于入侵檢測(cè),可以保證良好的檢測(cè)性能。 本論文將統(tǒng)計(jì)學(xué)習(xí)理論引入入侵檢測(cè)領(lǐng)域,討論了基于SVM方法的智能檢測(cè)策略,檢測(cè)算法具有良好的推廣能力。引入HVDM距離代替范數(shù),改進(jìn)了SVM的RBF核函數(shù)定義,使之能夠直接處理異構(gòu)的網(wǎng)絡(luò)連接信息;利用有保證的估計(jì)方法來(lái)確定訓(xùn)練數(shù)據(jù)集規(guī)模,避免了依靠實(shí)驗(yàn)選擇訓(xùn)練規(guī)模的盲目性;針對(duì)重復(fù)樣本和重要樣本提出了樣本加權(quán)的思路,降低了錯(cuò)分樣本的可能;考慮到網(wǎng)絡(luò)連接記錄的不同屬
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于支持向量機(jī)的入侵檢測(cè)技術(shù)研究.pdf
- 基于支持向量機(jī)的網(wǎng)絡(luò)入侵檢測(cè)
- 基于支持向量機(jī)的協(xié)同入侵檢測(cè).pdf
- 基于對(duì)支持向量機(jī)的入侵檢測(cè)技術(shù)研究.pdf
- 基于模糊支持向量機(jī)的入侵檢測(cè)研究.pdf
- 基于支持向量機(jī)的入侵檢測(cè)技術(shù)的應(yīng)用研究.pdf
- 基于支持向量機(jī)的SCADA系統(tǒng)入侵檢測(cè)方法.pdf
- 基于自適應(yīng)模糊支持向量機(jī)的入侵檢測(cè).pdf
- 基于支持向量機(jī)與主動(dòng)學(xué)習(xí)的入侵檢測(cè).pdf
- 基于增量支持向量機(jī)的網(wǎng)絡(luò)入侵檢測(cè)研究.pdf
- 基于多類支持向量機(jī)的協(xié)同入侵檢測(cè).pdf
- 基于支持向量機(jī)的入侵檢測(cè)系統(tǒng)研究.pdf
- 基于支持向量機(jī)和數(shù)據(jù)融合的入侵檢測(cè)技術(shù)的研究.pdf
- 基于聚類和支持向量機(jī)的網(wǎng)絡(luò)入侵檢測(cè).pdf
- 基于改進(jìn)支持向量機(jī)的入侵檢測(cè)算法研究.pdf
- 基于多分類支持向量機(jī)的快速入侵檢測(cè)模型.pdf
- 基于支持向量機(jī)與Agent技術(shù)的入侵檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于聚類和支持向量機(jī)的網(wǎng)絡(luò)入侵檢測(cè)
- 基于特征選擇和支持向量機(jī)的入侵檢測(cè)研究.pdf
- 基于支持向量機(jī)的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)研究.pdf
評(píng)論
0/150
提交評(píng)論