基于粗糙集和增量SVM的入侵檢測方法研究.pdf

1、作為一種主動(dòng)的安全防御技術(shù),入侵檢測是網(wǎng)絡(luò)安全技術(shù)的一個(gè)重要研究方向。支持向量機(jī)(SVM)建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)之上,避免了局部最優(yōu)解和維數(shù)災(zāi)難,但是存在以下不足:在處理高維、大規(guī)模入侵檢測數(shù)據(jù)時(shí),SVM方法訓(xùn)練時(shí)間長、檢測速度慢;在處理非平衡入侵檢測數(shù)據(jù)時(shí),對樣本數(shù)目少的攻擊類型檢測率不高;傳統(tǒng)SVM方法缺乏對增量式學(xué)習(xí)的支持。針對以上不足,本文研究并提出了基于粗糙集和增量SVM的入侵檢測方法,并在KD

2、DCUP1999數(shù)據(jù)集上進(jìn)行仿真實(shí)驗(yàn)。主要研究內(nèi)容如下:
　　首先,針對高維入侵檢測數(shù)據(jù)中存在的無關(guān)屬性和冗余屬性,提出了基于正區(qū)域?qū)傩约s簡(PRAR)算法。仿真實(shí)驗(yàn)結(jié)果表明:與基于區(qū)分矩陣、改進(jìn)正區(qū)域的屬性約簡算法相比,基于PRAR算法的入侵檢測特征選擇方法不僅能夠獲取入侵檢測數(shù)據(jù)的最優(yōu)特征子集,而且其特征選擇效率更高,明顯改善了分類算法的入侵檢測性能。
　　其次,針對大規(guī)模、非平衡入侵檢測數(shù)據(jù)致使SVM入侵檢測方法訓(xùn)練時(shí)

3、間長、檢測速度慢以及對樣本數(shù)目少的攻擊類型檢測率不高的問題,提出了基于鄰界區(qū)的快速增量SVM(B-ISVM)算法。仿真實(shí)驗(yàn)結(jié)果表明:與基于分塊增量SVM和基于KKT條件的改進(jìn)增量SVM入侵檢測方法相比較,基于B-ISVM算法的入侵檢測方法更有效的提取了支持向量,不僅訓(xùn)練和檢測速度明顯提升,而且有較高的檢測率和較低的誤報(bào)率。
　　最后,將以上兩個(gè)算法進(jìn)行結(jié)合,給出了基于粗糙集和增量SVM的入侵檢測方法。此方法首先采用PRAR算法對入