基于混合分类模型的入侵检测技术研究

论文摘要

随着计算机网络的普及，网络安全受到更多的关注，入侵检测系统是一种主动防御系统，它为网络安全提供了一道有力的防线。随着攻击方式的日趋多样，越来越多的智能技术被引入入侵检测系统，尤其是机器学习技术的发展，给入侵检测方法的改进带来了新的思路。半监督学习是目前机器学习的研究热点，但它在入侵检测系统中的应用研究还不广泛。本文对目前所采用的入侵检测技术和半监督学习中的各种方法进行了研究和分析，将半监督分类技术应用至入侵检测系统中。论文首先系统介绍了当前入侵检测的研究现状，总结了当前入侵检测中存在的问题及局限，并展望了今后的发展趋势。然后回顾了半监督学习的背景和相关技术，详细介绍了朴素贝叶斯、BP神经网络和支持向量机三种分类方法。鉴于当前的半监督学习多以单分类器为主，而集成的多分类器又具有一些前者无法比拟的优势，本文总结了集成学习的理论基础，提出一种基于半监督分类的混合分类模型——NBS（Neural Network+Bayes+Support Vector Machine），并对BP神经网络和朴素贝叶斯分类算法进行了改进。最后利用KDD Cup99数据集中的数据对改进的算法和NBS模型进行了仿真实验，实验将检测率和误报率作为评估算法性能的标准。结果表明NBS模型具有较好的检测性能，对真实环境也有较高的应用价值。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景和意义
• 1.1.1 网络与信息安全简介
• 1.1.2 网络安全的实质
• 1.1.3 入侵检测研究的意义
• 1.2 研究现状
• 1.2.1 数据挖掘技术
• 1.2.2 机器学习技术
• 1.2.3 集成学习技术
• 1.3 本文的主要工作
• 1.4 论文的组织结构
• 第二章 入侵检测技术
• 2.1 网络入侵
• 2.1.1 网络入侵概述
• 2.1.2 网络入侵的发展趋势
• 2.2 入侵检测系统
• 2.2.1 入侵检测系统框架及分类
• 2.2.2 入侵检测策略
• 2.3 入侵检测系统存在的问题
• 2.4 本章小结
• 第三章 基于分类的入侵检测算法
• 3.1 机器学习
• 3.1.1 机器学习分类
• 3.1.2 机器学习相关原则
• 3.2 半监督学习
• 3.2.1 半监督学习产生的背景
• 3.2.2 半监督学习技术介绍
• 3.3 分类方法
• 3.3.1 朴素贝叶斯
• 3.3.2 BP 神经网络
• 3.3.3 SVM 分类
• 3.4 本章小结
• 第四章 基于分类的入侵检测模型
• 4.1 集成学习
• 4.2 集成学习方法
• 4.2.1 Adaboost 算法
• 4.2.2 Bagging 算法
• 4.3 算法理论分析与改进
• 4.3.1 朴素贝叶斯分类算法的分析与改进
• 4.3.2 BP 神经网络分类算法的性能分析与改进
• 4.4 一种混合分类的入侵检测系统模型（NBS）
• 4.4.1 系统总体定位
• 4.4.2 NBS 模型
• 4.5 本章小结
• 第五章 实验数据选取以及算法评估
• 5.1 数据集
• 5.1.1 数据集描述
• 5.1.2 网络数据的属性特征分析
• 5.2 训练数据预处理
• 5.2.1 数据选取
• 5.2.2 数据规格化
• 5.3 实验仿真
• 5.3.1 仿真环境
• 5.3.2 仿真结果和分析
• 5.4 本章小结
• 第六章 论文总结和工作展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文