基于数据挖掘的网络入侵检测系统的研究与设计

论文摘要

网络的安全性问题也越来越受到广泛的关注,各种网络安全相关的技术和产品不断涌现。入侵检测技术是其中一个重要的技术。本文针对现有的入侵检测系统的不足,提出了将数据挖掘技术应用于入侵检测以提高其性能的方法。现有的入侵检测系统普遍具有自适应性差、误报漏报问题严重和数据过载等问题。在此本文结合Apriori和RIPPER算法两种数据挖掘算法,提出一种自适应入侵检测系统,该系统是一种具有自学习、自完善功能的入侵检测系统。利用Apriori提高IDS检测误码率,提高入侵检测的正确率,同时减轻入侵检测负荷。对于己经检测到的未知攻击,我们利用分类算法来产生相应的规则,便于特征检测引擎能够及时检测出这种未知攻击。实验结果表明,入侵检测自适应系统有自动化程度高、系统可维护性、可扩充性好、系统效率高等特点。本文的主要工作在:①根据入侵检测现状,深入的学习入侵检测模型,分析入侵检测系统的基本体系,建立一种入侵控制台、入侵检测代理((IDS agent)、数据挖掘引擎和规则转换四部分组成的自适应的入侵检测系统模型。②从数据挖掘的基本概念着手,通过研究分析数据挖掘技术,结合入侵检测自身的特点,提出了改进Apriori和RIPPER算法,并用于入侵检测系统中。③将改进Apriori和RIPPER算法在自适应的入侵检测系统模型中,进行实验分析,得到实验结果。通过测试结果发现,改进的Apriori算法和RIPPER算法的挖掘的效率和正确率较高,使入侵检测系统能够有效的检测到已知和未知攻击,并讨论入侵检测自适应模型进一步研究的方向。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景
• 1.2 研究意义
• 1.3 国内外研究现状
• 1.4 主要研究内容
• 1.5 本文组织与安排
• 2 入侵检测系统
• 2.1 入侵检测系统的概念
• 2.2 入侵检测系统的主要功能
• 2.3 入侵检测系统的分类
• 2.3.1 按照原始数据的信息来源分类
• 2.3.2 按采用的检测技术分类
• 2.3.3 按组成方式分类
• 2.4 入侵检测模型
• 2.5 入侵检测系统原理及构成
• 2.6 入侵检测系统的实现
• 2.6.1 信息收集
• 2.6.2 信号分析
• 2.7 入侵检测系统面临的挑战
• 2.8 本章小结
• 3 数据挖掘技术
• 3.1 数据挖掘技术概况
• 3.1.1 数据挖掘的基本概念
• 3.1.2 知识挖掘过程
• 3.2 数据挖掘的主要功能
• 3.3 数据挖掘的分类
• 3.4 数据挖掘的分析方法
• 3.4.1 关联分析（Association Analysis）
• 3.4.2 序列分析（Frequent Episode Analysis）
• 3.4.3 分类分析（Classification Analysis）
• 3.4.4 聚类分析（Clustering Analysis）
• 3.5 本章小结
• 4 基于数据挖掘的入侵检测的自适应模型
• 4.1 系统模型
• 4.2 主要功能模块
• 4.3 系统工作原理
• 4.4 本章小结
• 5 改进的关联规则APRIORI 算法在自适应入侵检测模型中的实现
• 5.1 APRIORI 算法
• 5.2 关联规则价值衡量
• 5.2.1 系统客观层面
• 5.2.2 用户主观层面
• 5.3 确信度
• 5.3.1 似然比
• 5.3.2 确信度
• 5.4 去冗余规则
• 5.5 改进后的关联规则算法
• 5.6 实验仿真
• 5.7 本章小结
• 6 基于RIPPER 算法的自适应入侵检测模型实现
• 6.1 RIPPER 算法
• 6.2 RIPPER 算法的实现
• 6.3 算法具体流程
• 6.4 规则转化及发布
• 6.5 实验仿真
• 6.5.1 分类模型检测
• 6.5.2 入侵攻击类型测试
• 6.6 本章小结
• 7 总结与展望
• 7.1 总结
• 7.2 后续工作的展望
• 致谢
• 参考文献
• 附录
• 攻读硕士学位期间发表的论文目录