虚拟蜜网中控制算法的研究与改进

论文摘要

随着计算机技术和网络技术的巨大进步,人们的生活、学习、工作方式都发生了巨大的变化。拥有计算机和网络的世界变得方便快捷,但同时也伴随着巨大的安全隐患。越来越多的不法分子利用网络安全漏洞进行破坏活动,保护网络的安全已经成为整个社会的责任。目前,传统防火墙技术已经得到全面推广,同时蜜罐、入侵检测等新型网络安全技术也有了长足的发展,并越来越受到人们的重视,集入侵检测技术、蜜罐技术等诸多于一身的虚拟蜜网技术也正逐渐跨入一个新的阶段。本文基于上述研究背景,对虚拟蜜网的核心机制,尤其是控制机制进行了深入的剖析,指出其当前的不足,进而提出使用基于k均值聚类算法的异常检测技术进行完善。在详细介绍了经典k均值聚类算法之后,为了满足蜜网控制机制的需要,提出了一个改进算法。本文通过对数据集进行处理,先行分离出孤立点,优化数据集结构,减少孤立点对聚类效果的严重影响；通过划分较多的聚类,然后用判断边界距离的方法合并聚类,获得合适的聚类数；通过用样本距离划分新集合的方式,获得合适的初始聚类中心。然后将改进算法应用于虚拟蜜网的控制机制中。最后利用KDD Cup99数据集和虚拟蜜网采集到的数据,测试经典算法和改进算法,证明改进算法相较于经典算法,在检测率和误报率方面具有优势。同时,完善后的控制机制也能够发现一些原机制无法检测到的攻击。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究的背景与意义
• 1.2 国内外研究现状
• 1.3 本文的主要研究工作
• 1.4 本文的组织结构
• 2 蜜罐和蜜网概述
• 2.1 蜜罐技术
• 2.1.1 蜜罐的概念
• 2.1.2 蜜罐的分类
• 2.2 蜜网技术
• 2.2.1 蜜网的概念
• 2.2.2 蜜网系统的发展历程
• 2.2.3 蜜网的优缺点
• 2.2.4 虚拟蜜网的风险性
• 2.3 本章小结
• 3 虚拟蜜网相关技术研究
• 3.1 虚拟蜜网技术核心研究
• 3.1.1 数据控制机制
• 3.1.2 数据捕获机制
• 3.1.3 数据分析机制
• 3.2 虚拟蜜网数据控制机制研究
• 3.2.1 数据控制机制模型
• 3.2.2 控制机制模型分析
• 3.2.3 异常检测技术简介
• 3.2.4 聚类算法在异常检测中的应用
• 3.3 本章小结
• 4 k均值聚类算法的分析与改进
• 4.1 k均值聚类算法分析
• 4.1.1 算法原理
• 4.1.2 算法简述
• 4.1.3 算法分析
• 4.2 k均值聚类算法的改进
• 4.2.1 经典算法的缺点
• 4.2.2 改进方案
• 4.2.3 改进算法的描述
• 4.2.4 改进算法的关键实现
• 4.3 本章小结
• 5 k均值聚类算法在蜜网控制机制中的应用
• 5.1 总体设计思想
• 5.2 系统框架
• 5.3 系统模块功能设计
• 5.3.1 数据采集模块
• 5.3.2 数据分析模块
• 5.3.3 报警响应模块
• 5.3.4 数据流关系
• 5.4 本章小结
• 6 算法仿真与对比分析
• 6.1 虚拟蜜网系统的搭建
• 6.1.1 软硬件环境
• 6.1.2 虚拟蜜网的搭建
• 6.1.3 功能性测试
• 6.2 仿真前期工作
• 6.2.1 数据的收集
• 6.2.2 数据的标准化
• 6.3 仿真分析
• 6.3.1 仿真过程
• 6.3.2 结果对比分析
• 6.4 控制机制测试
• 6.4.1 扫描攻击测试
• 6.4.2 未知攻击测试
• 6.5 本章小结
• 7 总结与展望
• 7.1 本文总结
• 7.2 进一步研究方向
• 参考文献
• 作者简历
• 学位论文数据集