入侵检测系统中基于代价敏感分类算法的研究

论文摘要

入侵检测是对传统网络安全防御机制的一种补充,由于提高了网络与系统安全的主动保护能力,目前已成为网络安全领域中的重要研究方向之一。但是传统的入侵检测系统存在着自适应性差、误报漏报、数据过载等问题,针对这些问题,将数据挖掘应用到了入侵检测系统中来。数据挖掘领域直接应用机器学习技术在变化的环境下从数据仓库中自动学习出模型。机器学习中的两个最重要的目标是准确性和效率,过去侧重于一般算法的研究,期望减小复杂性以提高准确性和效率,这样便产生了一些简化了的、错误的假设:错误的认为可以花费任何计算的代价自由获得数据的所有特征;错误的假设训练集中的每项数据都是同等重要的,具有相同的代价;而在实际的入侵检测系统中,不同特征的计算代价不同,并且只有低代价特征学习出的模型所产生的预测才具有实用价值;各个训练实例的重要程度也不同,产生的误分类代价具有很大的差异。 本中将致力于上面提到的特征代价和误分类代价方面的

论文目录

• 第一章 绪论
• 1.1 研究内容和意义
• 1.2 论文安排
• 第二章 入侵检测系统综述
• 2.1 入侵检测系统
• 2.2 目前入侵检测系统存在的问题
• 2.3 研究意义
• 第三章 基于数据挖掘的入侵检测系统
• 3.1 数据挖掘技术
• 3.2 基于数据挖掘技术的入侵检测系统的主要优点
• 3.3 基于数据挖掘的入侵检测系统的研究现状
• 3.4 基于数据挖掘的入侵检测系统的体系结构
• 3.5 基于数据挖掘的主要入侵检测方法
• 3.5.1 基于聚类的方法
• 3.5.2 基于判定树的方法
• 3.5.3 基于神经网络的方法
• 3.5.4 基于关联规则的方法
• 3.5.5 基于序列模式的方法
• 第四章 复合分类器和相关的工作
• 4.1 分类器
• 4.2 复合分类器
• 4.2.1 训练独立的分类器
• 4.2.2 独立分类器的复合
• 第五章 基于代价敏感的入侵检测模型
• 5.1 入侵检测代价因素和机制
• 5.2 入侵检测代价模型
• 5.2.1 减少操作代价
• 5.2.2 减小综合代价
• 第六章 降低误分类代价的改进算法
• 6.1 可适应推进算法
• 6.1.1 可适应推进算法的描述
• 6.1.2 可适应推进算法存在的问题
• 6.2 权值分布优化算法
• 6.2.1 权值分布优化算法的描述
• 6.2.2 累积误分类代价的上界
• 6.2.3 对每个弱分类器选择适当的权值来减小累积误分类代价
• 6.3 实验
• 6.3.1 采用的数据集
• 6.3.2 确定代价因子的大小
• 6.3.3 确定代价调节函数
• 6.3.4 训练与测试
• 6.3.5 实验结果
• 第七章 结论
• 7.1 主要的工作和贡献
• 7.2 今后的工作
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文