基于支持向量机的网络入侵检测系统研究

论文摘要

网络入侵检测系统作为一种积极主动的安全防护工具,提供了对内部攻击、外部攻击和误操作的实时防护,在计算机网络和系统受到危害之前进行报警拦截和响应。随着网络的迅速发展,对网络入侵检测系统提出了新的挑战,现有网络入侵检测产品大多检测准确率不高,丢包现象突出。支持向量机是一种建立在统计学习理论上的机器学习方法,在网络入侵检测领域的应用有着诸多的优势,它运算速度快,推广能力强,可以提高入侵检测性能,增强对高速网络环境的适应能力。本文主要探讨了支持向量机在网络入侵检测系统中的应用。文章首先介绍了支持向量机和网络入侵检测的有关概念,以大量实验为基础,设计了一个基于支持向量机的网络入侵检测模型。介绍了启发式支持向量机快速学习算法,并将启发式支持向量机快速学习算法应用于入侵检测系统中,为了使支持向量分类机获得更好的分类性能,提出以启发式规则来选取对分类器最有利的样本进行训练,以确定支持向量机的参数,解决了参数确定一直以来根据经验确定的不足,并采用内积矩阵分解算法提高分类速度,以达到提高学习速度的目的。网络入侵检测系统是一个网络信息安全体系的必不可少的组成部分,它目前的一个重要研究方向就是基于支持向量机的网络入侵检测系统的研究,虽然还有许多待解决的问题,离实际应用还有比较大的差距,但是并不影响其光明的前景,不久的将来,一定会在实际中得到应用。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 引言
• 1.1 支持向量机研究背景
• 1.2 网络入侵检测系统研究背景
• 1.3 主要工作和内容结构
• 1.4 研究意义
• 第二章 支持向量机理论基础
• 2.1 统计学习理论基础
• 2.1.1 学习问题表示
• 2.1.2 结构风险最小化
• 2.2 支持向量机
• 2.2.1 最优分类超平面
• 2.2.2 广义最优分类超平面
• 2.2.3 支持向量机的分类
• 2.2.4 支持向量机的核函数
• 2.3 常用SVM算法
• 2.3.1 C-SVM算法
• 2.3.2 v-SVM算法
• 2.3.3 One-class SVM算法
• 第三章 网络入侵检测系统概述
• 3.1 网络入侵检测系统的概念、功能及模型
• 3.1.1 网络入侵检测系统的概念和功能
• 3.1.2 网络入侵检测系统模型
• 3.2 网络入侵检测系统的系统分类
• 3.2.1 按照检测信息源分类
• 3.2.2 按照检测方法分类
• 3.2.3 按照体系结构分类
• 3.3 网络入侵主要检测技术
• 3.3.1 专家系统
• 3.3.2 状态转换分析
• 3.3.3 统计分析
• 3.3.4 神经网络方法
• 3.3.5 基于Agent的检测
• 3.4 网络入侵检测系统的局限性和发展趋势
• 3.4.1 网络入侵检测系统的局限性
• 3.4.2 网络入侵检测系统的发展趋势
• 第四章 基于SVM的网络入侵检测系统
• 4.1 基本思想
• 4.2 系统总体模型
• 4.3 数据采集以及数据预处理模块
• 4.4 启发式支持向量机快速学习算法
• 4.4.1 主动学习
• 4.4.2 启发式方法
• 4.4.3 内积矩阵分解算法
• 4.4.4 启发式支持向量机学习算法思想
• 4.5 本章小节
• 第五章 实验及结果分析
• 5.1 入侵检测系统和算法的评估标准
• 5.2 实验数据描述
• 5.2.1 实验环境
• 5.2.2 实验数据描述
• 5.2.3 数据集选取
• 5.3 SVM训练步骤和核函数的选择
• 5.3.1 SVM训练步骤
• 5.3.2 数据集预处理
• 5.3.3 核函数的选择
• 5.4 仿真实验与结果分析
• 5.4.1 参数确定
• 5.4.2 学习算法实验分析
• 5.4.3 模拟攻击实验分析
• 5.5 本章小结
• 第六章 总结和展望
• 参考文献
• 附录
• 致谢
• 攻读学位期间主要的研究成果