基于學(xué)習(xí)與自相似的異常檢測(cè)研究.pdf

1、舞叛編號(hào)溆j趨紈壤劣驥0∥。糾西”]P’釤。磅強(qiáng)‘“博士學(xué)位論文基于學(xué)習(xí)與自相似的異常檢測(cè)研究導(dǎo)帥姓2覆職稱專m2稱：王汝傳教授／博導(dǎo)信息同絡(luò)南京郵電大學(xué)博士研究生學(xué)位論文BP網(wǎng)絡(luò)不僅檢測(cè)準(zhǔn)確率較高，而且泛化能力也有了很大提高：當(dāng)訓(xùn)練樣本數(shù)增多時(shí)，聯(lián)合使用用粗糙集與GA優(yōu)化過(guò)的BP網(wǎng)絡(luò)，通過(guò)學(xué)習(xí)得到的“經(jīng)驗(yàn)”越豐富，誤檢率下降的越快，當(dāng)測(cè)試集不變時(shí)，訓(xùn)練樣本多到一定程度時(shí)檢測(cè)準(zhǔn)確率達(dá)到穩(wěn)定。其次，對(duì)基于特征約簡(jiǎn)、協(xié)議區(qū)分與SVM的異常檢

2、測(cè)進(jìn)行研究。入侵檢測(cè)本質(zhì)上是一個(gè)分類問(wèn)題，SVM是目前最優(yōu)秀的分類方法之一，因此，將SVM用于入侵檢測(cè)是一種好的選擇。但是，將網(wǎng)絡(luò)數(shù)據(jù)全部特征用于SVM學(xué)習(xí)，需要解決一個(gè)復(fù)雜的二次規(guī)劃問(wèn)題。入侵高維數(shù)據(jù)維數(shù)之間存在著一定的依賴關(guān)系，發(fā)現(xiàn)這種關(guān)系，對(duì)高維進(jìn)行變換，降低維數(shù)是提高SVM入侵檢測(cè)效率的一種途徑?；谝陨纤枷耄岢隽藘煞N提高SVM檢測(cè)異常速度的方法，一是基于PCA和SVM的異常檢測(cè)方法，采用PCA對(duì)入侵?jǐn)?shù)據(jù)進(jìn)行線性變換，降低其維

3、數(shù)，將低維入侵?jǐn)?shù)據(jù)作為支持向量機(jī)的輸入進(jìn)行訓(xùn)練，從而提高了異常檢測(cè)的速度；二是基于協(xié)議區(qū)分、數(shù)據(jù)約簡(jiǎn)與支持向量機(jī)的異常檢測(cè)方法，減少異構(gòu)數(shù)據(jù)學(xué)習(xí)和廣泛檢測(cè)的弊端，具有針對(duì)性的對(duì)某一種協(xié)議進(jìn)行異常檢測(cè)，減少檢測(cè)時(shí)間和準(zhǔn)確度。我們分三種情況在Kddcup’99數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明，提出的方法準(zhǔn)確度有所提高，訓(xùn)練時(shí)間和檢測(cè)時(shí)間明顯減少。接著討論了網(wǎng)絡(luò)流量自相似性并提出了基于小波分析的異常檢測(cè)方法。使用隨機(jī)產(chǎn)生的時(shí)間序列、以太網(wǎng)(Eth

4、emet)正常網(wǎng)絡(luò)流量、視頻流(VBR)，驗(yàn)證了網(wǎng)絡(luò)流量具有自相似性；給出了使用Hurst參數(shù)與Lyapunov指數(shù)進(jìn)行異常檢測(cè)的方法，實(shí)驗(yàn)結(jié)果表明兩種方法可以進(jìn)行異常檢。提出了基于小波分析的異常檢測(cè)方法，實(shí)驗(yàn)結(jié)果表明小波分析方法對(duì)異常比較敏感，能正確區(qū)分繁忙業(yè)務(wù)與異常；給出了最佳檢測(cè)Hurst參數(shù)小波選擇的理論推導(dǎo)，基于實(shí)驗(yàn)得到了小波選擇的規(guī)律：在一定的范圍，隨著消失矩增大，局部上日值時(shí)大時(shí)小，總體上日值在減小，消失矩越小，分解級(jí)數(shù)越