基于自动特征抓取和行为关联的网络入侵检测系统

论文摘要

网络入侵的数据量大,行为又隐蔽。很多专家从不同的角度提出了各种各样的防范方法和管理办法。本文的特色是把分类和聚类的方法引入到了网络的入侵行为检测中。本文从文字的聚类和分类研究的基础上,希望通过一定的挖掘和关联来把网络的各个元素有因有果的串联起来。最后可以发现类似“啤酒和尿布”一样经典的逻辑相关性。希望从一个全新的视角审视网络入侵行为,杜绝网络入侵。所以文章着重于解决模型的提出方法和最终此类方法到可以得到的结果。分类聚类分析是机器学习、模式识别、机器视觉等领域重要的工具。传统意义上的分类聚类分析是无监督学习,因为人工干预程度与花费较低而被广泛采用。问题在于,由于完全无监督学习总是要基于某些假设,比如对于类别分布假设和特征权重相等的假设。此类假设可能并不适合于人们碰到的新的问题。文章很多时候借鉴了原有的网络入侵的行为特征。庆幸的是目前的全球信息化时代,在为很多网络入侵抱怨的时候,实质上也积累了巨大的入侵的包信息、代码信息、系统记录信息、网络流信息。对于这样的内容进行分类聚类分析时,在有一定的人为监督或者是事件干预的情况下取得预期的结果。本系统的实现为网络入侵检测和防范提出了一个新的视角。从宏观上说对网络的行为和各个设备的关系有了一个全新的判断方法。方法还有待改进,不过从一个数学模型的提出到一个实际的使用总是有一个学习的过程和反馈的过程,相信此类的方法不但在网络监控有帮助,对其他方向也会带来学习和应用的革命。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 研究背景
• 1.1.1 什么是网络入侵
• 1.1.2 网络入侵的造成的影响和危害
• 1.1.3 网络入侵检测市场2007年持续增长
• 1.2 本文的章节结构
• 第二章 网络入侵的异常信息的搜集
• 2.1 网络包分析工具
• 2.2 SNMP协议和MIB库
• 2.3 Syslog-ng
• 2.4 CPAN的自定义开发模块
• 2.5 IDS规则搜集
• 第三章 网络入侵信息的挖掘理论方法
• 3.1 实现的主要功能和性能
• 3.2 本体（Ontology）
• 3.3 网络入侵信息挖掘
• 3.3.1 知网
• 3.3.2 文本抽象化技术
• 3.3.3 文本特征项提取技术
• 3.3.4 隐含语义检索（LSI）和关键信息提取
• 3.4 检索与索引
• 3.5 网络入侵的特征分类
• 3.6 文本聚类
• 第四章 现实网络中的检测模型和实验数据
• 4.1 入侵检测系统智能判别和分类聚类模型设计
• 4.2 入侵检测的本体研究
• 4.3 基于自动特征抓取和行为关联的网络入侵检测系统模型
• 4.4 检测模型的结构
• 4.5 Svm机器的训练数据采集
• 4.6 基于网络数据包的Svm的训练参数和分类算法
• 4.7 SVM训练实验分析
• 4.8 文本文字信息的挖掘和实例训练
• 4.9 多层网络信息的聚类
• 第五章 网络入侵检测系统的设计和实现
• 5.1 自动特征抓取和行为关联的网络检测系统的总体设计
• 5.1.1 系统设计目的和拓扑
• 5.1.2 系统设计
• 5.1.3 系统功能
• 5.1.4 模块汇总和系统特色
• 5.2 用例分析
• 5.3 系统具体设计
• 5.3.1 概要设计
• 5.3.2 ManageApp（管理程序）子系统结构
• 5.3.3 MailEntity实体类
• 5.3.4 ManageApp
• 5.3.5 系统运行情况
• 5.3.6 配置设置类
• 5.3.7 基本流程
• 5.3.8 协作图
• 5.3.9 详细设计
• 5.4 具体子模块的实现
• 5.4.1 丢包的原因的查究
• 5.4.2 本文抓包方法的设计
• 5.5 网络入侵检测系统分类存在的问题
• 5.6 实际的操作界面
• 5.6.1 队列
• 5.6.2 系统状态
• 5.6.3 综合报表
• 第六章 结论
• 6.1 本系统实现的贡献
• 6.2 对于本文的总结
• 6.3 发展展望
• 参考文献
• 致谢