支持向量機(jī)的研究及其在入侵檢測中的應(yīng)用.pdf

1、支持向量機(jī)是自上世紀(jì)90年代提出的一種基于統(tǒng)計學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，與傳統(tǒng)統(tǒng)計學(xué)研究樣本產(chǎn)生的規(guī)律或樣本數(shù)目趨于無窮大時的漸進(jìn)性能不同，它更注重研究樣本本身所提供的信息，其解決問題的核心思想是利用核函數(shù)把樣本空間中的問題映射到特征空間中去解決。作為結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則的具體實(shí)現(xiàn)，支持向量機(jī)方法具有全局最優(yōu)、結(jié)構(gòu)簡單、推廣能力強(qiáng)等優(yōu)點(diǎn)。 入侵檢測實(shí)質(zhì)上是一個模式識別問題，利用支持向量機(jī)進(jìn)行建模，不僅可以解決在建立入侵檢測模型時因無

2、法收集所有入侵樣本而導(dǎo)致的模型推廣性能差的問題，而且可以提高入侵檢測檢測率，降低漏報率和誤報率，提高入侵檢測系統(tǒng)的實(shí)用性。 本文詳細(xì)研究了支持向量機(jī)理論和入侵檢測理論，在此基礎(chǔ)上作了如下工作： (1)將支持向量機(jī)應(yīng)用于實(shí)時檢測，需要支持向量具有很高的訓(xùn)練速度，為了提高它的訓(xùn)練速度，一種可行的方法是對訓(xùn)練數(shù)據(jù)進(jìn)行采樣，減少訓(xùn)練數(shù)據(jù)的規(guī)模。本文研究了當(dāng)前已有的幾種采樣方法，在此基礎(chǔ)上提出了相鄰邊界模型，并基于該模型來對訓(xùn)練數(shù)

3、據(jù)進(jìn)行采樣，實(shí)驗(yàn)表明該模型在保證正確率的同時，大大地減少了訓(xùn)練的時間復(fù)雜度和空間復(fù)雜度。 (2)針對入侵?jǐn)?shù)據(jù)量大且日益增多的特點(diǎn)，本文基于相鄰邊界模型和空間劃分的思想提出了一個SVM增量學(xué)習(xí)方法，并對該方法進(jìn)行了詳細(xì)描述和分析。 (3)著重對SVMLight和SMO兩個算法里的一些重要內(nèi)容進(jìn)行了研究，因?yàn)樗鼈兪潜疚膶?shí)驗(yàn)用的SVM軟件包LIBSVM的關(guān)鍵部分。 (4)研究了入侵及其基于特權(quán)層的描述方法，接著對KDD