基于支撑矢量机的入侵检测

论文摘要

随着计算机网络的迅速发展和日益普及，有关网络的安全问题也日益突出。入侵检测是对防火墙、病毒检测、加密等传统计算机安全机制的一种有益补充，增大了对系统与网络安全的保护范围。支持向量机是自上世纪90年代提出的一种基于统计学习理论的机器学习算法。与其它学习算法相比，支持向量机有许多优点，其理论基础坚实、推广能力良好、非线性处理能力强大、维数不敏感等，所以受到了越来越多的关注与重视，并已成功地应用于模式识别、回归估计等领域。 正因为SVM有这些显著的特点，目前已有诸多的学者探索把支撑矢量机运用到入侵检测中。针对大规模、高维异构的入侵检测数据，如何应用支持向量机提高入侵检测系统的性能正是本文工作的核心，论文涉及的主要内容如下： 1 各个属性不完全属于同一类型的多维数据我们就称之为异构数据，这种数据的差异性度量一直是个难点。由此我们引入HVDM距离函数，并根据信息熵理论原理对其进行了加权改进，提出WHVDM距离函数，从而较为合理科学地解决了高维异构数据间的差异性度量问题。 2 提出了基于WHVDM核函数和中心距离比值法的入侵检测。在该方法中，首先针对高维异构数据，引入WHVDM距离构造了新的RBF型核函数，并在数学上证明了该核函数的正定性，从理论上保证了该核函数的可用性。仿真实验也证明了该核函数的可用性和有效性；其次，通过应用中心距离比值法大大地减少了直接参与训练的样本数，在入侵检测系统的识别率、检测率和虚警率下降不大的情况下，有效地降低了训练时间，仿真实验结果证明了本文提出的入侵检测方法是可行的，有效的。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 入侵检测的研究进展及现状
• 1.3 支撑矢量机的研究进展及现状
• 1.4 论文所做工作及内容安排
• 第二章 入侵检测概述
• 2.1 引言
• 2.2 入侵检测的基本概念与模型
• 2.3 入侵检测技术
• 2.3.1 异常入侵检测
• 2.3.2 误用入侵检测
• 2.3.3 混合型入侵检测
• 2.4 入侵检测的发展趋势
• 2.4.1 体系结构演变
• 2.4.2 安全技术综合集成
• 2.4.3 标准化
• 2.4.4 安全性评估
• 2.4.5 面向IPv6的入侵检测
• 2.5 结束语
• 第三章 统计学习理论与支撑矢量机
• 3.1 统计学习理论
• 3.1.1 学习问题的模型
• 3.1.2 学习过程的一致性
• 3.1.3 学习机推广能力的界
• 3.1.4 控制学习过程的推广能力
• 3.1.5 构造学习算法
• 3.2 支撑矢量机
• 3.3 核函数
• 3.3.1 再生核与再生核Hilbert空间
• 3.3.2 Mercer容许核的构造
• 3.3.3 再生核作为距离测度和函数表示
• 第四章 基于WHVDM核函数中心距离比值法用于入侵检测
• 4.1 引言
• 4.2 基于WHVDM核函数和中心距离比值法的入侵检测方法
• 4.2.1 中心距离比值法
• 4.2.2 异构数据集上的距离度量函数HVDM
• 4.2.3 信息熵理论
• 4.2.4 基于平均互信息量加权HVDM距离（WHVDM）
• 4.2.5 中心距离比值法用于入侵检测存在的问题
• 4.2.6 基于WHVDM距离的RBF形核函数构造
• 4.2.7 方法步骤小结
• 4.3 仿真实验
• 4.3.1 KDD99入侵检测数据
• 4.3.2 实验方法及结果讨论
• 4.3.3 实验总结
• 4.4 结论
• 第五章 总结与展望
• 5.1 全文总结
• 5.2 对未来研究的展望
• 致谢
• 参考文献
• 在读期间的研究成果