基于支持向量机的网络攻击检测研究

论文摘要

随着计算机网络的发展，网络安全问题也愈加突出，特别是攻击计算机系统的手段越来越复杂和多样化。网络攻击检测系统是对传统计算机安全的一种补充，增大了对系统与网络安全的保护范围。支持向量机(Support Vector Machine)是上世纪90年代提出的一种基于统计学习理论的机器学习算法，它将最大间隔原则和核函数理论结合在一起，通过核函数技巧克服了“维数灾难”问题及其推广能力良好、非线性处理能力强大等特点，受到了越来越多地关注，并已成功地应用于模式识别和回归估计等领域。正因为SVM相比于其他学习算法有这些显著优点，将SVM方法用于网络攻击检测，可以保证有良好的检测能力。本文重点围绕SVM方法的核函数的构造及其参数的选取，应用于网络攻击检测领域，主要研究工作如下：1．引入HVDM(Heterogeneous Value Difference Metric)距离函数，使之适用于网络高维异构数据集，并考虑到各个属性特征对于分类的贡献差异性，通过模糊隶属度函数对HVDM函数进行了加权改进，构造了新的RBF(Radial Basis Function)形核函数，从而较为合理科学地解决了异构数据的差异性度量，提高了检测精度。2．针对大量样本集参与训练时，寻找最优参数的传统网格搜索算法消耗时间过长的不足，本文给出了一种适用于攻击检测领域的RBF核参数优化方法，将特征筛选策略(Feature Selection)与改进的网格搜索法相结合搜索最优参数。仿真实验证明，此优化方法在保证测试精度的前提下，大幅度地缩短了搜索时间。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 选题背景及意义
• 1.2 网络攻击检测的研究
• 1.2.1 攻击行为分类
• 1.2.2 攻击检测技术简介
• 1.2.3 网络攻击检测方法
• 1.3 SVM 的特点及研究现状
• 1.3.1 SVM 的特点
• 1.3.2 SVM 的研究现状
• 1.4 论文的主要工作和组织结构
• 1.4.1 论文的主要工作
• 1.4.2 论文的组织结构
• 2 统计学习理论与支持向量机
• 2.1 统计学习理论
• 2.1.1 学习问题的一般表示及经验风险最小化归纳原则
• 2.1.2 学习过程一致性
• 2.1.3 学习机推广能力的界
• 2.1.4 控制学习过程的推广能力
• 2.1.5 构造学习算法
• 2.2 支持向量机
• 2.2.1 最优分类面
• 2.2.2 广义最优分类面
• 2.3 支持向量机多分类算法
• 2.4 实现支持向量机的算法
• 2.5 本章小结
• 3 核函数及其参数的分析与研究
• 3.1 核函数及基本性质
• 3.1.1 正定核
• 3.1.2 核函数的构造
• 3.1.3 再生核作为距离测度和函数表示
• 3.2 核参数选择方法
• 3.2.1 泛化性能指标
• 3.2.2 最优参数的选取
• 3.3 本章小结
• 4 支持向量机方法实现网络攻击检测的策略
• 4.1 引言
• 4.2 攻击检测模型及工作流程
• 4.3 加权 HVDM 上的 RBF 形核函数
• 4.3.1 异构数据集
• 4.3.2 加权 HVDM 距离
• 4.3.3 基于加权 HVDM 距离的 RBF 形核函数
• 4.4 核参数的优化
• 4.4.1 核参数
• 4.4.2 网格搜索法
• 4.4.3 特征筛选策略
• 4.4.4 算法步骤
• 4.5 本章小节
• 5 实验及数据分析
• 5.1 实验环境
• 5.2 实验数据选取
• 5.3 实验数据的预处理
• 5.4 实验步骤及结果
• 5.4.1 对 HVDM 距离进行加权的有效性证明
• 5.4.2 核参数优化的实验结果
• 5.5 对未知攻击进行测试的尝试
• 5.6 实验小结
• 6 总结与展望
• 6.1 本论文工作总结
• 6.2 下一步工作的展望
• 致谢
• 参考文献