入侵檢測中的機(jī)器學(xué)習(xí)方法及其應(yīng)用研究.pdf_第1頁
已閱讀1頁,還剩140頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明: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),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、入侵檢測是一種用于檢測計(jì)算機(jī)網(wǎng)絡(luò)中入侵行為的信息安全技術(shù),是網(wǎng)絡(luò)信息安全主動(dòng)防護(hù)技術(shù)的基石。針對目前越來越頻繁出現(xiàn)的分布式、多目標(biāo)、多階段的組合式網(wǎng)絡(luò)攻擊事件,以及下一代互聯(lián)網(wǎng)可能會(huì)出現(xiàn)的未知安全問題,要求提高入侵檢測系統(tǒng)的檢出效率和智能化的呼聲也越來越高。機(jī)器學(xué)習(xí)方法是用于分類和預(yù)測的一類方法。近來也在入侵檢測領(lǐng)域得到不同程度的應(yīng)用,但這些方法對于諸如樣本相關(guān)性大、重復(fù)訓(xùn)練樣本多、訓(xùn)練時(shí)間長以及入侵樣本標(biāo)記困難等問題并沒有得到很好的解

2、決。
   本文針對入侵檢測特征數(shù)據(jù)中的重復(fù)或相似樣本以及各特征參量之間可能存在的相關(guān)性,提出了一種集成主元分析和免疫聚類算法的特征數(shù)據(jù)壓縮算法——PCA-IC。PCA-IC算法在不損失數(shù)據(jù)隱含的特征知識的前提下,進(jìn)行數(shù)據(jù)壓縮,以減少機(jī)器學(xué)習(xí)的樣本數(shù)。PCA-IC算法先用基于主元分析方法,去除各特征參量之間的相關(guān)性,再用免疫聚類方法去除相似樣本。在KDDCUP99入侵檢測數(shù)據(jù)集上進(jìn)行仿真實(shí)驗(yàn),樣本的壓縮率達(dá)到89[%]。

3、   誤用入侵檢測是對已知網(wǎng)絡(luò)系統(tǒng)和應(yīng)用軟件的弱點(diǎn)進(jìn)行入侵建模,從而對觀測到的用戶行為和資源使用情況進(jìn)行模式匹配而達(dá)到檢測的目的,屬于多模式分類識別問題。針對普通多類支持向量機(jī)需要使用所有的兩類分類器進(jìn)行計(jì)算,重復(fù)訓(xùn)練樣本多、速度慢、實(shí)時(shí)性差的問題,提出了一種快速的、帶入侵優(yōu)先級的二叉樹結(jié)構(gòu)支持向量機(jī)誤用檢測分類算法——BTPM-SVM。BTPM-SVM方法引入優(yōu)先級的概念,將多個(gè)支持向量機(jī)按優(yōu)先級構(gòu)成不對稱分級二叉樹結(jié)構(gòu),每一級的S

4、VM訓(xùn)練樣本數(shù)目,隨級數(shù)的增加而迅速減少,極大地減少了重復(fù)訓(xùn)練樣本,提高訓(xùn)練速度。在KDDCUP99的誤用入侵檢測數(shù)據(jù)集上進(jìn)行仿真試驗(yàn),樣本的識別率為96[%],在相同數(shù)據(jù)量下節(jié)約57[%]的計(jì)算時(shí)間。
   異常入侵檢測是根據(jù)網(wǎng)絡(luò)流量特征和主機(jī)審計(jì)記錄等觀測數(shù)據(jù)來區(qū)分系統(tǒng)的正常行為和異常行為。針對異常入侵檢測中訓(xùn)練樣本是未標(biāo)定的不均衡數(shù)據(jù)集的情況,將其視為一個(gè)孤立點(diǎn)發(fā)現(xiàn)問題。提出了適用于孤立點(diǎn)檢測的超球面One-class S

5、VM的異常檢測算法。在新墨西哥大學(xué)提供的“MIT lpr”系統(tǒng)調(diào)用數(shù)據(jù)集樣本上進(jìn)行仿真試驗(yàn),在1001個(gè)異常樣本中被正確識別1000個(gè)。
   用戶異常檢測是對系統(tǒng)中一些合法用戶的行為進(jìn)行監(jiān)察,以防止這些合法用戶進(jìn)行非授權(quán)操作,或者防止其他用戶冒用這些合法用戶的賬號進(jìn)行非法或惡意操作。采用相關(guān)出現(xiàn)矩陣的二維建模方法來模擬用戶行為,同時(shí)針對樣本維數(shù)龐大的特點(diǎn),采用主元分析法進(jìn)行樣本的降維處理,再對處理的樣本采用多分類支持向量機(jī)方法

6、進(jìn)行識別。通過SEA數(shù)據(jù)集進(jìn)行性能測試,樣本的識別率為80.4[%]。
   為了實(shí)現(xiàn)IPv4網(wǎng)絡(luò)向IPv6網(wǎng)絡(luò)的順利過渡,以保障下一代互聯(lián)網(wǎng)安全有序的運(yùn)轉(zhuǎn)?;谏鲜鏊惴?,設(shè)計(jì)并實(shí)現(xiàn)一個(gè)基于機(jī)器學(xué)習(xí)技術(shù)的入侵檢測原型系統(tǒng)——MLIDS。MLIDS原型系統(tǒng)在IPv4和IPv6環(huán)境下的仿真試驗(yàn)的檢測率分別達(dá)到97[%]和98[%],有較高的檢測準(zhǔn)確度,證明了所提出的BTPM-SVM和超球面One-class SVM算法的有效性和實(shí)用

溫馨提示

  • 1. 本站所有資源如無特殊說明,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)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 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. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對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自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論