基于多类支持向量机的入侵检测系统研究

论文摘要

入侵检测技术已成为信息安全中不可缺少的一项技术,它成为近年来网络安全技术的新热点。互联网的高速发展,对入侵检测提出了新的挑战。现有的入侵检测系统大多基于规则检测,速度慢,检测准确率不高。支持向量机方法是解决这类问题的较好选择,但在将支持向量机应用于入侵检测的过程中,仍有许多急需解决的问题。本文针对入侵检测样本数据集过于庞大,学习速度过慢的问题,提出了一种基于聚类和距离比较的SVM样本数据预选取算法。该算法通过去除相似的样本而只取其代表点,从而减少参加训练的样本数量,提高了学习速度。针对目前将支持向量机用于入侵检测时,大多只将其视为两类问题进行处理而不能满足入侵检测系统需要的问题,提出一种新的用于入侵检测的双层多类SVM方法及其中的自动权值补偿算法。该方法建立在入侵检测中正常数据的数目远多于异常数据数目的基础上,并且只需3个分类器即可完成分类问题,有效提高了训练和检测速度。而其中权值补偿算法则是针对预选取算法中由于样本数的减少而带来的检测精度下降的问题,通过给予代表点以相应的权值补偿,从而将样本数量缩减带来的分类精度的损失降到最低。针对入侵检测系统中的样本更新问题,提出一种新的基于聚类分析的增量学习算法。该算法对增量学习过程进行分析,有效利用前面预选取算法中聚类分析的训练结果,节省训练时间,提高增量学习效果。以上这些方法及算法都在KDD99入侵检测数据集上经过实验验证。结果表明在保持了较高的检测精度的同时,提高了训练和检测速度。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.1.1 网络安全面临的威胁
• 1.1.2 研究入侵检测的必要性
• 1.2 国内外的研究进展及现状
• 1.2.1 入侵检测的研究进展及现状
• 1.2.2 支持向量机的研究进展及现状
• 1.3 本文的内容结构
• 第二章 入侵检测及支持向量机概述
• 2.1 入侵检测概述
• 2.1.1 入侵检测系统的概念，模型及功能
• 2.1.2 入侵检测系统的分类
• 2.1.3 常用入侵检测技术
• 2.1.4 入侵检测存在的问题及发展趋势
• 2.2 支持向量机概述
• 2.2.1 统计学习理论概述
• 2.2.2 广义最优分类面
• 2.2.3 支持向量机
• 2.2.4 内积核函数及KKT 条件
• 2.2.5 利用支持向量机进行分类的优点
• 2.3 小结
• 第三章 基于多类支持向量机的入侵检测系统
• 3.1 支持向量机应用于入侵检测
• 3.2 基于多类支持向量机的入侵检测模型
• 3.3 模型中各主要模块介绍
• 3.3.1 数据采集及预处理模块
• 3.3.2 样本数据预选取模块
• 3.3.3 训练及检测模块
• 3.3.4 增量学习模块
• 3.3.5 响应模块
• 3.4 小结
• 第四章 基于聚类和距离比较的样本数据预选取算法
• 4.1 聚类问题简介
• 4.2 现有的数据预选取算法的介绍及分析
• 4.3 US-PLN 算法描述及分析
• 4.4 实验结果及分析
• 4.4.1 实验数据集描述
• 4.4.2 实验数据及参数选择
• 4.4.3 结果比较分析
• 4.5 小结
• 第五章 基于双层多类支持向量机的入侵检测方法
• 5.1 现有的多类SVM 方法分析
• 5.1.1 直接构造多类分类器
• 5.1.2 一对多法
• 5.1.3 一对一法
• 5.1.4 二叉树法
• 5.1.5 有向无环图法
• 5.2 基于双层多类SVM 方法的入侵检测流程
• 5.3 第一层SVM 分类器的设计
• 5.4 第二层SVM 分类器的设计
• 5.5 实验结果及分析
• 5.5.1 双层多类支持向量机方法的定性分析
• 5.5.2 双层多类支持向量机方法的定量分析
• 5.6 小结
• 第六章 基于聚类分析的增量学习算法
• 6.1 增量学习过程分析
• 6.2 现有的增量学习算法分析
• 6.3 C-ISVM 算法描述及分析
• 6.4 实验结果及分析
• 6.4.1 实验数据及参数选择
• 6.4.2 结果比较分析
• 6.5 小结
• 第七章 总结与展望
• 7.1 论文的主要工作及贡献
• 7.2 对下一步工作的思考
• 参考文献
• 致谢
• 攻读学位期间公开发表的论文