基于统计的蠕虫检测算法的研究

论文摘要

随着互联网应用的日渐普及和深入，网络安全成为人们日益关注的研究领域。网络蠕虫因其自身潜伏性强，覆盖面广等特点，对网络安全的威胁日益严重。如何更好地检测和防御蠕虫，是维护网络安全的重要研究课题之一。本文首先概括总结了网络蠕虫的定义、结构和工作机制、蠕虫的传播、蠕虫的攻击和蠕虫的研究现状和发展趋势。重点对现有的蠕虫检测和防御方法尤其是基于流量的蠕虫检测方法进行了论述。如何在已有检测方法的基础上提出更好的检测蠕虫的方法，是本文研究的核心问题。论文对网络蠕虫传播过程中，网络内失败连接数量发生变化的情况进行了分析，提出了3种基于统计的蠕虫检测算法。算法首先引入失败连接流量(Failed Connection Traffic，FCT)的概念，在此基础上建立了FCT时间序列，以此对网络的失败连接数量进行量化；通过对FCT时间序列进行小波包分解，提取出FCT时间序列的能量变化特征。同时小波包分解把FCT时间序列变换为p维空间的特征向量，因此，可以将蠕虫检测转化为向量空间模型的分类问题。论文将基于K最近邻、支持向量机和K最近邻与支持向量机相结合的三种基于统计的数学方法分别运用到蠕虫检测。三种检测方法通过对已采集的失败连接流量数据进行训练以获得异常判定的阈值，从而实现对网络蠕虫的检测。论文将基于支持向量机的蠕虫检测算法和传统的神经网络方法进行了比较。实验证明，文章中的三种蠕虫检测算法均达到了较好的检测效果。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 引言
• 1.2 蠕虫概念
• 1.2.1 定义
• 1.2.2 结构和工作机制
• 1.3 蠕虫的传播机理
• 1.3.1 蠕虫的传播模型
• 1.3.2 蠕虫的传播策略
• 1.4 蠕虫的攻击
• 1.4.1 感染
• 1.4.2 传播
• 1.4.3 执行负载
• 1.5 蠕虫的研究现状和发展趋势
• 1.6 论文的组织结构
• 2 网络蠕虫的检测与防御
• 2.1 网络蠕虫的检测
• 2.1.1 网络蠕虫检测的需求分析
• 2.1.2 网络蠕虫检测的分类
• 2.1.3 当前蠕虫检测主要方法
• 2.2 网络蠕虫的防御
• 3 基于统计的蠕虫检测方法
• 3.1 统计学习理论
• 3.2 统计学习与网络蠕虫的结合原理
• 3.3 失败连接流量和基于小波包分析的蠕虫特征提取
• 3.4 基于K最近邻的蠕虫检测方法
• 3.4.1 基于K最近邻的蠕虫检测算法
• 3.4.2 实验与结果分析
• 3.5 基于支持向量机的蠕虫检测算法
• 3.5.1 支持向量机的基本原理
• 3.5.2 基于支持向量机检测模型的构造
• 3.5.3 基于支持向量机的蠕虫检测方法的实现
• 3.5.4 基于支持向量机和神经网络算法的比较
• 3.6 基于支持向量机和K最近邻相结合的蠕虫检测算法
• 3.6.1 基于支持向量机和K最近邻分类方法相结合的理论基础
• 3.6.2 SVM-KNN分类器的构造
• 3.6.3 基于SVM-KNN分类器的蠕虫检测算法的实现
• 3.7 三种基于统计的蠕虫检测算法的比较
• 4 总结与展望
• 致谢
• 参考文献
• 攻读硕士学位期间的研究成果