支持向量机增量学习算法及其在入侵检测中的应用研究

论文摘要

支持向量机方法是一种通用的机器学习方法,具有良好的泛化能力和推广能力,但在现实中要在训练初期就收集一个完整的训练集是非常困难的。由此,希望学习器的学习精度可以随着其不断应用过程中样本集的积累而逐步提高,即增量学习的思想。本文在对增量学习过程分析的基础上,提出了一种SVM交叉验证KKT的增量学习算法及其改进算法,在及时淘汰对后继分类影响不大的样本的同时保留了含有重要分类信息的样本。在网络攻击行为纷繁变化的今天增量学习更加适用于入侵检测,因此,本文将提出的增量学习算法运用到入侵检测中,提出了一种基于增量支持向量机的入侵检测模型,并且在入侵检测数据集KDD CUP1999上验证了算法的性能。与传统的基于支持向量机的入侵检测方法相比,本文算法缩短了训练时间,并取得了较好的入侵检测效果。

论文目录

• 提要
• 第一章 绪论
• 1.1 论文背景
• 1.2 研究现状
• 1.3 本文的研究内容
• 1.4 本文的组织结构
• 第二章 支持向量机的基本理论
• 2.1 引言
• 2.2 基于SLT的机器学习理论的基本观点
• 2.2.1 机器学习问题的本质表示
• 2.2.2 经验风险最小化原则
• 2.2.3 VC维
• 2.2.4 泛化能力推广性界
• 2.2.5 结构风险最小化原则
• 2.3 支持向量机算法
• 2.3.1 线性支持向量机
• 2.3.2 非线性支持向量机
• 第三章 支持向量机增量学习算法
• 3.1 增量学习思想
• 3.2 SV的分布特点
• 3.3 SVM简单增量学习算法
• 3.4 支持向量机增量学习过程分析
• 3.4.1 KKT条件
• 3.4.2 增量学习后支持向量集变化分析
• 3.4.3 广义KKT条件
• 3.5 SVM交叉验证KKT增量学习算法
• 3.5.1 交叉验证KKT增量学习算法
• 3.5.2 改进的交叉验证KKT增量学习算法
• 第四章 SVM增量学习算法在入侵检测中的应用
• 4.1 入侵检测概述
• 4.2 支持向量机方法应用于入侵检测的可行性
• 4.3 基于增量SVM的入侵检测模型
• 4.4 仿真实验
• 4.4.1 KDD CUP1999 入侵检测数据
• 4.4.2 实验方法及结果讨论
• 第五章 总结与展望
• 5.1 总结
• 5.2 下一步工作与研究前景展望
• 参考文献
• 在读期间的研究成果
• 摘要
• Abstract
• 致谢
• 导师及作者简介