基于聚类分析的入侵检测算法研究

论文摘要

随着互联网的迅速发展和网络应用范围的不断扩大,对网络的各类攻击与破坏与日俱增,网络安全问题受到越来越多的人们重视。而随着网络攻击手段的多元化、复杂化、智能化,单纯依赖防火墙、数据加密等静态防御技术已经难以保障网络安全。入侵检测技术正是在这种背景下得到快速发展,成为安全领域内的重要技术和研究方向。入侵检测是一种积极主动的安全防护技术,对于防火墙等静态安全工具起着重要的补充作用。随着网络环境日益复杂,传统的入侵检测系统扩展性和适应性受到限制,不能够检测新的或未知类型的入侵,使检测率降低、误报率升高。针对这些问题,本文采用以数据为中心的观点,把入侵检测看成是数据挖掘的过程,将聚类分析算法和入侵检测技术结合起来,以提高入侵检测系统的检测性能。首先,阐述入侵检测的发展及研究背景,对入侵检测技术和数据挖掘中的聚类分析方法进行研究和分析,探讨聚类分析算法在入侵检测中的应用。其次,针对传统的聚类算法在入侵检测中的不足,本文在K-Means算法的基础上,利用核方法对源数据进行处理,使不同数据之间的的属性差异变大,有利于聚类；为了使聚类中心处于最优位置,提出了一种改进的聚类中心选择算法,使聚类结果更合理；针对聚类结果中正常数据的聚类和异常数据的聚类交接的区域的孤立点问题,给出了一种改进的标记聚类的算法,然后采用基于密度的孤立点分析算法优化聚类结果,可以提高入侵检测性能。最后,本文给出了基于聚类分析算法的入侵检测模型,并对聚类分析算法的入侵检测性能进行测试,实验结果表明改进后的算法对已知攻击和未知攻击均具有较好的检测性能,可以获得较高的检测率和较低的误报率。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 本文研究背景
• 1.2 国内外研究现状
• 1.3 本文的工作及意义
• 1.4 论文结构
• 第2章 入侵检测技术
• 2.1 入侵检测技术的相关概念
• 2.2 入侵检测技术的原理
• 2.3 入侵检测系统的模型
• 2.4 入侵检测技术的分类
• 2.4.1 按照信息源分类
• 2.4.2 按照分析和检测方法分类
• 2.5 入侵检测发展的方向
• 2.6 本章小结
• 第3章 数据挖掘和聚类分析
• 3.1 数据挖掘的基本概念
• 3.2 用于入侵检测的数据挖掘算法
• 3.3 聚类分析的基本内容
• 3.3.1 聚类分析的基本概念
• 3.3.2 相似度度量方法
• 3.4 聚类过程
• 3.5 聚类分析算法的分类
• 3.6 孤立点分析
• 3.7 本章小结
• 第4章 聚类算法的研究与改进
• 4.1 K-Means算法
• 4.1.1 K-Means算法的描述
• 4.1.2 K-Means算法分析
• 4.2 Kernel K-Means算法
• 4.2.1 核方法的相关概念
• 4.2.2 Kernel K-Means算法的描述
• 4.2.3 Kernel K-Means算法分析
• 4.3 改进的Kernel K-Means算法
• 4.3.1 选择聚类中心算法
• 4.3.2 改进的Kernel K-Means算法描述
• 4.3.3 改进的Kernel K-Means算法分析
• 4.4 优化聚类
• 4.4.1 标记聚类算法
• 4.4.2 从“可疑”类中检测出异常记录的算法
• 4.5 本章小结
• 第5章 检测实验与结果分析
• 5.1 基于聚类分析的入侵检测系统
• 5.1.1 数据收集及预处理模块
• 5.1.2 聚类训练模块
• 5.1.3 检测模块
• 5.2 KDD Cup 99数据集
• 5.2.1 KDD Cup 99数据属性
• 5.2.2 KDD Cup 99数据集包含的入侵类型
• 5.3 性能评价标准
• 5.4 K-Me-s算法和Kernel K-Means算法及改进算法的对比
• 5.4.1 实验参数的选择
• 5.4.2 对已知攻击类型的检测结果及分析
• 5.4.3 对未知攻击类型的检测结果及分析
• 5.5 采用改进的标记聚类算法后的检测结果
• 5.5.1 对已知攻击的检测结果
• 5.5.2 对未知攻击的检测结果
• 5.6 本章小结
• 第6章 总结与展望
• 6.1 本文总结
• 6.2 进一步工作
• 参考文献
• 致谢