基于多阶段聚类支持向量机在入侵检测中的研究与实现

基于多阶段聚类支持向量机在入侵检测中的研究与实现

论文摘要

随着网络的发展,网络安全问题日益突出。为了迅速、有效地发现各类入侵行为,保证系统和网络资源安全,入侵检测系统成为当前研究的热点。入侵检测实质上是模式识别问题。支持向量机(Support Vector Machine,SVM)从理论和应用上提供了控制学习机器复杂性和提高学习机器推广性的有效手段,克服了“维数灾难”问题,通过内积核函数将原低维空间变换到一个高维的特征空间,在高维特征空间中构造线性判别函数来实现原空间中的非线性判别函数。因此,利用支持向量机进行入侵检测,不仅可以解决入侵检测推广性能差的问题,而且还可以提高入侵检测率,降低漏报和误报率,提高系统的实用性。然而,在实际应用中支持向量机存在着样本训练时间长,预测速度慢等问题,这些因素制约着支持向量机在入侵检测中的广泛应用。因此,为降低样本训练时间,提高样本的检测速度,本文采用了一种基于多阶段聚类SVM的入侵检测算法,该算法首先对原始样本数据进行密度聚类,去除样本中的噪声点,然后再对密度聚类后的样本数据进行K-均值聚类,使聚类后的同类样本数据具有较高的相似度,而不同类别的样本之间相似度较低,这样有效地减少了大规模数据的训练时间,并在保证分类精度的前提下提高了SVM的判别速度;对经过聚类后的样本采用最近邻方法(Nearest Neighbor-NN)进行修剪来去除分类界面的干扰点。从而提高分类精度。采用了一种初始聚类中心优化的K-均值算法有效地降低了K-均值算法对初始值的选择依赖性。为测试基于多阶段聚类支持向量机算法的有效性,通过仿真各种入侵检测算法,并进行结果分析比较,样本数据选用了美国国防部高级研究计划署DARPA(Defense Advanced Research Projects Agency)评估数据集,结果表明基于多阶段聚类SVM运用于网络入侵检测中取得了良好的效果。

论文目录

  • 摘要
  • Abstract
  • 第1章 引言
  • 1.1 研究的背景及意义
  • 1.2 入侵检测技术研究现状
  • 1.3 支持向量机的研究现状
  • 1.4 研究内容及论文结构
  • 第2章 入侵检测技术概述
  • 2.1 入侵检测的基本概念与通用模型
  • 2.1.1 入侵检测的基本概念
  • 2.1.2 通用入侵检测模型
  • 2.2 入侵检测系统的分类
  • 2.2.1 按照信息源的分类
  • 2.2.2 按检测方法的分类
  • 2.3 常用的入侵检测方法
  • 2.3.1 误用检测方法
  • 2.3.2 异常检测方法
  • 2.4 入侵检测存在的问题及发展趋势
  • 2.5 本章小结
  • 第3章 支持向量机
  • 3.1 引言
  • 3.2 统计学习理论和支持向量机
  • 3.2.1 VC 维
  • 3.2.2 结构风险最小化
  • 3.3 支持向量机
  • 3.3.1 最优分类面
  • 3.3.2 线性可分情况下的支持向量机
  • 3.3.3 线性不可分情况下的支持向量机
  • 3.3.4 非线性情况下的支持向量机
  • 3.3.5 常用的几种支持向量机及其变种
  • 3.4 常用的核函数
  • 3.5 利用支持向量机进行分类的优点
  • 3.6 本章小结
  • 第4章 聚类算法
  • 4.1 基于划分的方法
  • 4.2 基于层次的方法
  • 4.3 基于密度的聚类方法
  • 4.4 基于网格的方法
  • 4.5 K-均值算法及其改进算法
  • 4.6 本章小结
  • 第5章 基于多阶段聚类支持向量机在入侵检测中的应用
  • 5.1 引言
  • 5.1.1 支持向量机的优点及存在的问题
  • 5.1.2 一种改进的支持向量机算法
  • 5.1.3 最近邻支持向量机方法
  • 5.2 基于多阶段聚类支持向量机入侵检测算法
  • 5.3 基于聚类支持向量机的入侵检测模型
  • 5.4 实验结果及数据分析比较
  • 5.4.1 实验数据集描述
  • 5.4.2 原始数据的预处理
  • 5.4.3 核函数参数的选择
  • 5.4.4 实验结果
  • 5.4.5 实验结果分析比较
  • 5.5 本章小结
  • 结论
  • 致谢
  • 参考文献
  • 攻读学位期间取得学术成果
  • 相关论文文献

    • [1].7品牌冰淇淋检测结果[J]. 消费者报道 2014(07)
    • [2].探索性和验证性检测研究[J]. 江西建材 2020(03)
    • [3].隔离检测保安全[J]. 中国建材 2020(06)
    • [4].生产线上的战“疫”——精细检测 践行品质承诺[J]. 中国建材 2020(07)
    • [5].高校快速检测实验室建设与问题浅析[J]. 天津农学院学报 2020(02)
    • [6].检验检测与认证认可的互补发展分析[J]. 食品安全导刊 2020(22)
    • [7].纺织品负离子发生量检测相关问题探讨[J]. 中国纤检 2020(08)
    • [8].桥梁新型检测技术的研究和分析[J]. 中华建设 2019(07)
    • [9].建筑检测及管理中存在问题的探讨[J]. 建材与装饰 2018(17)
    • [10].检验检测行业的主要问题是低价竞争[J]. 质量与认证 2018(08)
    • [11].基于距离的孤立点检测在系统入侵检测的应用[J]. 黑龙江科技信息 2017(11)
    • [12].放射免疫分析技术检测甲状腺激素准确性的影响因素及对策分析[J]. 临床检验杂志(电子版) 2016(01)
    • [13].艺术品检测公告(十月)[J]. 文物鉴定与鉴赏 2015(12)
    • [14].试论发电厂高压电气设备放电检测方法研究[J]. 民营科技 2015(12)
    • [15].2015年11月在播综艺栏目网络传播检测数据TOP20[J]. 当代电视 2016(01)
    • [16].2016年5月在播综艺栏目网络传播检测数据TOP20[J]. 当代电视 2016(07)
    • [17].“从算式到方程”检测题[J]. 中学生数理化(七年级数学)(配合人教社教材) 2020(11)
    • [18].关于纺织品检验检测研究[J]. 东西南北 2019(20)
    • [19].“简单机械和功”检测题[J]. 初中生世界(八年级物理) 2012(Z4)
    • [20].以课堂检测实现课堂高效[J]. 山西教育(教学) 2011(11)
    • [21].小学六年级下学期期末数学检测样题[J]. 云南教育(小学教师) 2008(03)
    • [22].食用油品质的检测技术进展[J]. 粮食科技与经济 2020(04)
    • [23].检测发动机状况术语10则[J]. 汽车与安全 2010(06)
    • [24].克伦特罗的检测方法研究进展[J]. 食品研究与开发 2017(04)
    • [25].煤炭检测现状及检测技术探讨[J]. 科技资讯 2017(09)
    • [26].地基基础检测中常见问题与对策解决[J]. 建筑技术开发 2017(03)
    • [27].基于食用油掺假检测方法分析[J]. 现代食品 2016(03)
    • [28].用不同的乙肝病毒血清标志物检测法诊断乙肝病毒感染的效果对比[J]. 人人健康 2019(24)
    • [29].新检测技术在粮食检测中的应用及发展[J]. 食品界 2019(04)
    • [30].粮油储藏与检测技术专业[J]. 黑龙江粮食 2014(06)

    标签:;  ;  ;  ;  

    基于多阶段聚类支持向量机在入侵检测中的研究与实现
    下载Doc文档

    猜你喜欢