基于核方法的網絡入侵檢測若干研究.pdf

1、隨著網絡的日益普及，網絡安全問題日益突出，如何保證網絡系統的安全成為了一個亟待解決的問題。將核主成分分析（KPCA）、粒子群優(yōu)化算法（PSO）和支持向量機（SVM）相結合并應用于入侵檢測中，不但解決了數據信息的冗余性，而且避免了SVM參數選取的盲目性，更加提高入侵檢測的性能。
　　本文主要是對核方法在入侵檢測中的應用進行研究。首先，對KPCA算法進行研究與分析，提出了一種混合核主成分分析算法。其次，針對SVM的參數選取進行研究，在

2、PSO算法的基礎上，提出了兩種新的優(yōu)化算法。本文的主要創(chuàng)新如下：
　?。?）提出了基于混合核函數的MKPCA（Multiple Kernel Principal Component Analysis, MKPCA）算法。該算法對入侵檢測數據進行特征提取，在保證數據信息量完整情況下，降低了數據的維數。本文提出的MKPCA算法的核函數不是單一核，而是結合全局核函數（多項式核函數）和局部核函數（高斯核函數）的雙核核函數，提高了KPCA（

3、Kernel Principal Component Analysis, MKPCA）的非線性特征提取能力。通過MKPCA特征提取實驗，可以看出原始數據通過特征提取后分類的正確性得到提高，同時加快了數據的訓練與測試速度。
　　（2）提出了基于動態(tài)粒子群優(yōu)化的SVM（Dynamic Particle Swarm Optimization-Support Vector Machine, DPSO-SVM）入侵檢測算法。該算法引入動態(tài)慣

4、性權重函數和加速因子函數來加強PSO算法搜索能力，平衡PSO算法全局搜索能力和局部搜索能力，并將該算法應用于SVM的參數優(yōu)化。本文利用DPSO-SVM算法對MKPCA處理后的入侵數據進行分類實驗，結果表明該算法提高了分類的準確性，加快了算法趨于最優(yōu)解的收斂速度。
　　（3）提出了基于動態(tài)混沌粒子群優(yōu)化的SVM（Dynamic Chaos Particle Swarm Optimization-Support Vector Mach