基于聚类和支持向量机的入侵异常检测方法研究

论文摘要

提出了一种将聚类和支持向量机相结合的新的无监督入侵异常检测方法。该方法首先通过特定的特征选择标准对数据集进行降维处理,消除无用的特征,增强检测精度；其次通过比较无类标训练集样本间的距离来生成聚类,根据每个聚类的样本比例来确定是否为异常,在不需要用人工的或其他的方法的情况下来对训练集进行分类；最后通过支持向量机来构建目标系统的正常行为轮廓,从而构造一个切实可行的无需人为干预的入侵检测系统。本文采用KDD99数据集作为测试数据,实验结果表明,该方法能够有效的检测真实网络数据中的已知和未知入侵行为。

论文目录

• 提要
• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 研究现状与意义
• 1.2.1 入侵检测原理
• 1.2.2 入侵检测系统分类
• 1.2.3 入侵检测系统模型
• 1.2.4 现有入侵检测技术不足
• 1.3 本文的结构组织
• 第2章 聚类和支持向量机相关
• 2.1 聚类相关理论
• 2.1.1 聚类概念
• 2.1.2 典型聚类算法分类
• 2.1.3 聚类算法的典型应用
• 2.2 支持向量机相关理论
• 2.2.1 支持向量机概念
• 2.2.2 分类超平面
• 2.2.3 核函数
• 2.2.4 支持向量机方法分类
• 2.2.5 支持向量机方法的典型应用
• 2.3 本章小结
• 第3章 针对网络入侵领域的聚类和支持向量机方法及入侵检测数据集研究分析
• 3.1 聚类和支持向量机在网络入侵领域的应用
• 3.1.1 聚类在入侵检测领域的应用
• 3.1.2 支持向量机在入侵检测领域的应用
• 3.2 入侵检测数据集研究分析
• 3.2.1 KDD99数据集分析
• 3.2.2 典型攻击分类
• 3.3 本章小结
• 第4章 基于聚类和支持向量机的入侵异常检测方法研究与实现
• 4.1 基于聚类和支持向量机的入侵异常检测模型
• 4.2 基于聚类和支持向量机的入侵异常检测方法
• 4.2.1 数据预处理阶段
• 4.2.2 训练阶段
• 4.2.3 检测阶段
• 4.3 实验
• 4.3.1 实验准备
• 4.3.2 特征选择
• 4.3.3 参数选择
• 4.3.4 算法评估
• 4.3.5 结果分析
• 4.4 本章小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 作者简介及在学期间所取得的科研成果
• 1.作者简介
• 2.科研成果
• 致谢