基于SVM的BGP异常流量检测

论文摘要

随着信息技术的高速发展,互联网已成为我们社会基础设施的一部分。然而,互联网域间路由中的边界网关协议却存在许多问题,如易受蠕虫等病毒与DoS的攻击、以及协议本身缺乏安全机制等。为保证自治系统中域间路由系统的稳定与安全,本文主要研究了基于SVM的BGP异常流量检测。具体包括:1.基于特征选择的SVM学习算法的研究。由于BGP异常数据的小样本特征,将SVM引入BGP异常流量的检测中。另外,由于BGP数据的高维性给计算机的运算、存储空间、识别速度带来不利影响。为降低特征空间维数,缩减度量和存储要求,采用基于特征选择的SVM学习算法。将特征选择过程和学习过程有机地统一起来,通过对特征的权重进行排序来实现特征选择。2. BGP数据非平衡分布的处理。由于BGP数据中两类样本在分布上的非平衡性,使得在SVM的训练过程中,两类样本对决策超平面的构成的过程中影响力度会有所不同,导致最终的决策函数有偏差,使得分类能力有所降低。因此本文引入Under-sampling算法对训练数据集进行预处理,结合SVM学习过程,通过改变SVM中训练集的样本分布来消除非平衡分布带来的不良影响。BGP数据实验结果表明,应用SVM算法进行BGP异常流量检测是可行的,有效的。在保证正确率的前提下,可以用特征选择方法对BGP的输入特征进行降维处理。引入Under-sampling算法,SVM有更好的分类效果,能更有效地检测出BGP异常流量。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 BGP 的研究现状
• 1.3 本文的工作
• 1.4 本文的组织结构
• 第二章 BGP 协议及 BGP 异常流量检测
• 2.1 BGP 协议
• 2.1.1 Internet 域间路由系统
• 2.1.2 BGP 边界网关协议
• 2.2 BGP 异常流量模式
• 2.3 BGP 异常流量检测
• 2.4 本章小结
• 第三章 基于特征选择的 SVM 学习算法
• 3.1 SVM 基本原理
• 3.1.1 SVM 的统计学习理论
• 3.1.2 SVM
• 3.2 基于特征选择的SVM 学习算法
• 3.2.1 互信息概念
• 3.2.2 基于互信息的特征选择方法
• 3.3 数据不平衡条件下的处理
• 3.3.1 Under-sampling
• 3.3.2 代价矩阵Cost [ i, j ]
• 3.4 BGP 异常流量检测中SVM 方法总体结构
• 3.5 改进后BGP 异常流量检测中SVM 方法总体结构
• 3.6 本章小结
• 第四章 实验及结果分析
• 4.1 数据源
• 4.2 实验过程
• 4.3 算法的有效性衡量指标
• 4.4 实验分析
• 4.4.1 SVM 与神经网络性能比较
• 4.4.2 特征选择前后性能比较
• 4.4.3 Under-sampling 前后性能比较
• 4.4.4 实验结论
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 论文结论
• 5.2 工作展望
• 参考文献
• 致谢
• 个人简历
• 发表的学术论文