粗糙集理论在入侵检测中的应用研究

论文摘要

随着网络和网络攻击技术的不断发展,传统的安全防御技术已经不能满足网络安全的需要。入侵检测作为一种主动防御技术,不但能检测到来自外部网络的攻击,而且还能检测来自内部的入侵行为,它是防火墙的一个重要补充。目前在入侵检测技术研究领域,已经出现了很多研究成果,但是现有的入侵检测技术不能有效的检测到新出现的攻击,也不能对正常的用户行为建立准确的模型,因此,这些检测方法存在着比较高的漏报率和误报率。网络入侵检测的高误报率和漏报率是当前入侵检测研究需要解决的问题。本文分析了当前入侵检测技术中存在的优点和缺点,在此基础上,把模糊粗糙集理论和概率粗糙集理论分别应用在了入侵检测技术中,做出了如下创新:(1)提出了一种基于独立分量分析(ICA)和模糊粗糙集的入侵检测方法,该方法在对网络数据进行分析前先使用ICA算法对采集到的数据进行特征提取,以消除冗余属性降低数据维数,然后使用模糊粗糙集理论对数据进行分析,解决了网络数据不完整性给入侵检测所带来的问题。(2)提出了一种基于概率粗糙集的增量式规则学习算法,并把该算法应用在了入侵检测规则提取中。该算法解决了不一致决策表中的规则提取问题,并且提出了一种规则的动态更新策略,解决了规则在使用过程中的更新问题。最后,通过仿真实验分别对上述两种检测方法进行了验证,把实验结果和同类方法做了对比,验证了本文提出的检测方法在提高检测率、降低误报率和漏报率中的有效性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究的背景及意义
• 1.2 国内外的研究现状
• 1.2.1 入侵检测技术研究现状
• 1.2.2 粗糙集理论研究现状
• 1.3 本文的主要研究内容及组织结构
• 1.3.1 本文的主要研究内容
• 1.3.2 本文的组织结构
• 2 入侵检测概述
• 2.1 入侵检测简介
• 2.2 入侵检测的分类
• 2.2.1 根据数据来源分类
• 2.2.2 根据数据分析的方法分类
• 2.2.3 根据响应方式分类
• 2.2.4 根据时间分类
• 2.2.5 根据配置方式分类
• 2.3 目前入侵检测技术所存在的问题和不足
• 2.4 入侵检测的发展趋势
• 3 机器学习理论与粗糙集理论
• 3.1 机器学习理论
• 3.2 粗糙集理论基础
• 3.2.1 粗糙集理论概述
• 3.2.2 信息表知识表达系统
• 3.2.3 粗糙集基本概念
• 3.2.4 粗糙度与分类质量
• 3.2.5 核与约简
• 3.3 PAWLAK粗糙集模型的扩展模型
• 3.3.1 模糊粗糙集模型
• 3.3.2 概率粗糙集模型
• 4 基于ICA和模糊粗糙集的入侵检测方法
• 4.1 相关概念
• 4.1.1 独立分量分析（ICA）
• 4.1.2 模糊粗糙集基本概念
• 4.2 基于模糊粗糙集入侵检测分类器的构造
• 4.2.1 连续属性模糊化
• 4.2.2 数据的属性约简
• 4.2.3 入侵检测规则的生成
• 4.3 基于ICA和模糊粗糙集的入侵检测模型
• 4.4 仿真实验与分析
• 4.4.1 实验使用数据集介绍
• 4.4.2 实验数据的选取
• 4.4.3 实验结果分析
• 4.5 小结
• 5 基于概率粗糙集的入侵检测方法
• 5.1 概率粗糙集相关概念
• 5.1.1 概率测度
• 5.1.2 信息熵
• 5.1.3 概率粗糙集模型
• 5.2 基于概率粗糙集入侵检测分类器的构造
• 5.2.1 连续属性离散化
• 5.2.2 数据的属性约简
• 5.2.3 入侵检测规则的生成及规则的动态更新策略
• 5.3 基于概率粗糙集的入侵检测模型
• 5.4 仿真实验与分析
• 5.4.1 实验数据的选取
• 5.4.2 实验结果分析
• 5.5 小结
• 6 两种检测方法的对比与分析
• 6.1 训练效率的对比与分析
• 6.2 检测效率的对比与分析
• 6.3 小结
• 7 总结及展望
• 7.1 本文的主要研究工作
• 7.2 今后的工作
• 致谢
• 参考文献
• 附录