基于改進SVM的網(wǎng)絡入侵檢測算法研究.pdf

1、隨著網(wǎng)絡安全問題的日益突出,保證系統(tǒng)和網(wǎng)絡資源的安全成為越來越重要的問題,入侵檢測(Intrusion Detection,簡稱ID)已成為近年來人們研究的新熱點。支持向量機(Support Vector Machine,簡稱SVM)在解決有限樣本、高維輸入空間的分類問題中表現(xiàn)出泛化能力強、分類精度高等許多優(yōu)勢。針對ID數(shù)據(jù)集存在數(shù)據(jù)及特征冗余,直接對其進行訓練,效率及精度較低的特點,提出了基于改進SVM的網(wǎng)絡入侵檢測算法,并使用KDD

2、CUP1999數(shù)據(jù)集進行了算法測試。主要研究內容如下:
　　1)遞歸支持向量機(Recursive Support Vector Machine,簡稱R-SVM)是從SVM的分類特征中選擇使分類器性能最好的一組特征以達到對數(shù)據(jù)進行降維的目的。針對ID數(shù)據(jù)集較大的特點,提出了基于R-SVM降維的網(wǎng)絡入侵檢測算法。實驗結果表明:SVM分類算法有較其他分類算法(BP、C4.5、K-近鄰和最近鄰分類算法)更好的分類性能;與全特征分類模型相

3、比,降維算法大大降低了模型的訓練與預測時間;與粗糙集降維算法相比,R-SVM降維算法保證了與全特征下分類模型相近的分類性能。
　　2)流形學習是保證將流形上近距離的點映射到低維空間中的鄰近點以期通過發(fā)現(xiàn)高維數(shù)據(jù)集的內蘊特征解決“維數(shù)災難”問題;SVM增量學習方法能使SVM的分類精度在SVM分類模型的應用過程中隨著樣本集的積累而逐步提高或者保持較好的分類效果;K-means聚類算法可以獲得數(shù)據(jù)的基本概況,在此基礎上進行特征提取或分類

4、可以提高模型的效率和精度。針對流形學習算法時間復雜度較高,且網(wǎng)絡入侵數(shù)據(jù)集較大且不穩(wěn)定的特點,提出了基于流形和SVM的網(wǎng)絡入侵檢測算法,并加入了K-means聚類算法和SVM增量學習算法。實驗結果表明:與無聚類的情況相比,K-means聚類算法在保證了模型精度的同時,大大降低了模型的訓練與預測時間;與R-SVM降維算法相比,流形學習降維算法提高了檢測率,降低了檢測時間;與無增量學習的情況相比,SVM增量學習算法較好的改善了檢測率和誤報率