支持向量機在入侵檢測系統(tǒng)中的研究和應(yīng)用.pdf

1、入侵檢測作為一種主動防御技術(shù)，彌補了傳統(tǒng)安全技術(shù)的不足。但由于入侵手段的復(fù)雜性和多樣性，至今仍然沒有找到入侵行為與網(wǎng)絡(luò)連接信息數(shù)據(jù)特征之間的函數(shù)關(guān)系，機器學(xué)習(xí)正是試圖對這種函數(shù)關(guān)系進行逼近和估計的有效方法。支持向量機（SVM）是一種建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)之上的機器學(xué)習(xí)方法，能較好地解決有限樣本、非線性、高維數(shù)、局部極小點等問題。將支持向量機方法用于入侵檢測，可以獲取較好的檢測性能。
　　 本文在深入研究支持向量機理論及其應(yīng)用的基

2、礎(chǔ)上，提出了一個基于支持向量機的分類器模型，并將該模型進行完善，應(yīng)用于入侵檢測。結(jié)合入侵檢測的CIDF結(jié)構(gòu)，進一步提出基于支持向量機的入侵檢測系統(tǒng)模型，該模型主要包括網(wǎng)絡(luò)數(shù)據(jù)捕獲模塊、網(wǎng)絡(luò)連接信息提取模塊、數(shù)據(jù)預(yù)處理模塊、SVM訓(xùn)練模塊、SVM支持向量庫、事件日志庫和輸出及響應(yīng)模塊等，并針對各模塊功能進行闡述。本文在深入研究支持向量機各種算法和核函數(shù)選擇的基礎(chǔ)上，改進已有算法，選擇不同的核函數(shù)，調(diào)整參數(shù)，使其達到最好分類效果，并實現(xiàn)支持

3、向量機的兩類分類和多類分類，利用已有數(shù)據(jù)驗證了算法的優(yōu)越性。本文用主成分分析、因子分析等統(tǒng)計方法對原數(shù)據(jù)進行降維處理，在此基礎(chǔ)上，提出了一種新的特征提取和選擇方法，即基于自適應(yīng)特征加權(quán)的特征提取和選擇方法，并將此方法運用于數(shù)據(jù)特征的提取和選擇。本文將支持向量機與基于自適應(yīng)特征加權(quán)的特征選擇兩種算法結(jié)合起來，用于入侵檢測。實驗證明，不論是兩類分類還是多類分類，采用新的算法，分類精度有了明顯提高，同時，訓(xùn)練時間和測試時間也有不同程度的改善，