基于属性约简的AODE入侵检测研究

基于属性约简的AODE入侵检测研究

论文摘要

随着计算机技术的飞速发展,信息网络已经成为社会发展的重要保证。然而,任何形式的网络服务都会导致安全方面的风险。网络安全是一个复杂的工程,单纯的被动防御是难以奏效的。入侵检测系统作为防火墙之后的第二道安全屏障,采用主动防御技术,已经成为计算机网络安全领域的重要研究课题。本文应用贝叶斯方法,对入侵检测进行研究。本文首先介绍了贝叶斯理论,然后用最简单的朴素贝叶斯分类器构建入侵检测模型;并在Weka平台上,通过实验验证了朴素贝叶斯分类器构建的入侵检测模型是简单且有效的。但是朴素贝叶斯分类器假设了各条件属性是相互独立的,这是实际情况下难于满足,这就会导致它的分类准确率有所下降。因此,本文提出了AODE分类器,它弱化了朴素贝叶斯分类器的条件独立性假设,通过在Weka平台上进行实验也证明了它比朴素贝叶斯分类器有着更高的分类准确率。在入侵检测系统中,数据的预处理也是十分重要的。不管是用朴素贝叶斯分类器还是用AODE分类器构建的入侵检测模型,都没有考虑到数据属性的冗余性;因此本文引入粗糙集理论进行属性约简,除去冗余属性。最后通过实验,验证了属性约简后的朴素贝叶斯分类器和AODE分类器都更加有效。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 研究背景
  • 1.2 国内外研究状况
  • 1.3 本文所做的工作和创新点
  • 1.4 论文组织结构
  • 第二章 入侵检测技术
  • 2.1 入侵检测概述
  • 2.1.1 基本概念
  • 2.1.2 入侵检测系统的构成
  • 2.2 入侵检测系统分类
  • 2.2.1 基于主机的入侵检测系统(HIDS)
  • 2.2.2 基于网络的入侵检测系统(NIDS)
  • 2.3 入侵检测系统的分析方法
  • 2.3.1 异常检测和滥用检测
  • 2.3.2 滥用检测技术与异常检测技术的对比
  • 2.3.3 其他入侵检测技术的研究
  • 2.4 入侵检测系统的部署
  • 2.5 入侵检测系统的发展方向
  • 2.7 本章小结
  • 第三章 贝叶斯理论
  • 3.1 概率论基础
  • 3.1.1 概率计算公式
  • 3.1.2 贝叶斯方法
  • 3.2 贝叶斯网络基础理论
  • 3.2.1 概率模式中的条件独立性
  • 3.2.2 图形模式中的d-separation性
  • 3.2.3 条件独立性与d-separation性之间的联系
  • 3.3 常用的检验方法和评价标准
  • 3.3.1 变量之间依赖关系检验
  • 3.3.2 分类准确性的评价标准
  • 3.4 贝叶斯网络分类推理
  • 3.4.1 贝叶斯分类器
  • 3.4.2 贝叶斯网络分类器
  • 3.5 本章小节
  • 第四章 基于朴素贝叶斯分类器的入侵检测
  • 4.1 朴素贝叶斯分类器定义
  • 4.2 朴素贝叶斯分类器结构
  • 4.3 朴素贝叶斯分类器下的入侵检测模型
  • 4.4 工作原理
  • 4.5 实验及数据分析
  • 4.5.1 实验数据说明
  • 4.5.2 数据获取和处理
  • 4.5.3 实验及结果
  • 4.6 本章小节
  • 第五章 基于属性约简的AODE入侵检测
  • 5.1 引言
  • 5.2 AODE算法的由来
  • 5.2.1 LBR(Lazy Bayesian Rules)
  • 5.2.2 SP-TAN
  • 5.2.3 AODE
  • 5.3 基于AODE的入侵检测及实验
  • 5.3.1 AODE入侵检测模型
  • 5.3.2 实验及结果
  • 5.4 粗糙集理论
  • 5.4.1 基本概念
  • 5.4.2 属性约简
  • 5.5 决策表的基本概念
  • 5.6 差别矩阵
  • 5.6.1 定义
  • 5.6.2 基于Skowron差别矩阵的决策表的属性约简算法
  • 5.6.3 基于SKowron差别矩阵和属性选择的决策表属性约简算法
  • 5.7 基于属性约简的AODE入侵检测
  • 5.7.1 建立模型
  • 5.7.2 使用Rosetta对数据集进行属性约简
  • 5.7.3 实验及结果分析
  • 5.8 WAODE算法
  • 5.9 本章小节
  • 第六章 总结与展望
  • 6.1 总结
  • 6.2 展望
  • 参考文献
  • 致谢
  • 相关论文文献

    • [1].面向软件定义网络架构的入侵检测模型设计与实现[J]. 计算机应用 2020(01)
    • [2].面向云计算入侵检测模型的设计[J]. 中国新通信 2020(13)
    • [3].基于集成特征选择的网络入侵检测模型[J]. 现代计算机 2020(24)
    • [4].一种数据挖掘框架下的入侵检测模型研究[J]. 福建电脑 2016(12)
    • [5].一种网络入侵检测模型的研究[J]. 工业仪表与自动化装置 2017(01)
    • [6].基于二次决策的深度学习入侵检测模型[J]. 微电子学与计算机 2020(04)
    • [7].基于可变网络结构自组织映射的入侵检测模型[J]. 计算机工程与应用 2020(12)
    • [8].基于集成降噪自编码的在线网络入侵检测模型[J]. 计算机应用研究 2020(11)
    • [9].基于特征选择的网络入侵检测模型研究[J]. 计算机测量与控制 2017(08)
    • [10].可变融合的随机注意力胶囊网络入侵检测模型[J]. 通信学报 2020(11)
    • [11].基于层次化的入侵检测模型研究[J]. 信息技术 2012(08)
    • [12].网络入侵检测模型的分析与设计[J]. 工业设计 2011(06)
    • [13].基于粗糙集与生物免疫的入侵检测模型研究[J]. 电脑知识与技术 2009(06)
    • [14].密码协议的入侵检测模型设计与实现[J]. 通信技术 2008(04)
    • [15].基于自编码网络特征降维的轻量级入侵检测模型[J]. 电子学报 2017(03)
    • [16].一种新的网络入侵检测模型的设计研究[J]. 中央民族大学学报(自然科学版) 2014(02)
    • [17].基于粗糙集与概念格的入侵检测模型研究[J]. 信息网络安全 2013(07)
    • [18].基于灰色关联事件融合的入侵检测模型[J]. 计算机工程与应用 2013(12)
    • [19].基于人工免疫的入侵检测模型研究[J]. 福建电脑 2010(04)
    • [20].基于免疫网络的入侵检测模型构建[J]. 计算机工程 2009(08)
    • [21].一种基于聚类分析的入侵检测模型[J]. 软件工程 2016(04)
    • [22].基于大数据分析的堡垒思想入侵检测模型[J]. 大众科技 2016(05)
    • [23].一种预估模式下的入侵检测模型及仿真分析[J]. 计算机仿真 2016(10)
    • [24].基于深度信念网络的入侵检测模型[J]. 现代计算机(专业版) 2015(02)
    • [25].大数据环境下的云计算网络安全入侵检测模型仿真[J]. 中国西部科技 2015(08)
    • [26].基于线性表示的协同入侵检测模型[J]. 现代计算机(专业版) 2013(33)
    • [27].基于聚类的分类分析自适应入侵检测模型[J]. 电脑知识与技术 2009(25)
    • [28].基于数据挖掘的自适应入侵检测模型研究[J]. 软件 2015(09)
    • [29].基于聚类算法的入侵检测模型设计[J]. 考试周刊 2010(38)
    • [30].自适应入侵检测模型[J]. 网络安全技术与应用 2011(07)

    标签:;  ;  ;  

    基于属性约简的AODE入侵检测研究
    下载Doc文档

    猜你喜欢