基于svm的异常入侵检测系统关键技术的研究

《基于svm的异常入侵检测系统关键技术的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP393密级：公开UDC：单位代码：10424学位论文基于SVM的异常入侵检测系统关键技术的研究张妮娜申请学位级别：硕士学位专业名称：计算机应用技术指导教师姓名：孟晓景职称：教授山东科技大学二零零八年五月论文题目：基于SVM的异常入侵检测系统关键技术的研究作者姓名：张妮娜入学时间：2005年9月专业名称：计算机应用技术研究方向:网络工程与管理信息系统指导教师：孟晓景职称：教授论文提交日期：2008年5月论文答辩日期：2008年6月授予学位日期：RESEARCHOFKEYTECHNOLOGYO

2、FANOMALYNETWORKINTRUSIONDETECTIONBASEDONSVMADissertationsubmittedinfulfillmentoftherequirementsofthedegreeofMASTEROFENGINEERINGSCIENCEfromShandongUniversityofScienceandTechnologybyZhangNinaSupervisor:ProfessorMengXiaojingCollegeofInformationScienceandEn

3、gineeringMay,2008声明本人呈交给山东科技大学的这篇硕士学位论文，除了所列参考文献和世所公认的文献外，全部是本人在导师指导下的研究成果。该论文资料尚没有呈交于其它任何学术机关作鉴定。硕士生签名：日期：AFFIRMATIONIdeclarethatthisdissertation,submittedinfulfillmentoftherequirementsfortheawardofMasterofEngineeringScienceinShandongUniversityofScienc

4、eandTechnology,iswhollymyownworkunlessreferencedofacknowledge.Thedocumenthasnotbeensubmittedforqualificationatanyotheracademicinstitute.Signature:Date:山东科技大学硕士学位论文摘要摘要随着计算机网络技术的迅猛发展,网络安全技术越来越受到人们的关注。入侵检测技术作为一种主动的信息安全保障措施，成为近年来网络安全技术的热点。当前，尽管基于入侵检测技术的入侵检

5、测系统得到了不断的发展和完善，然而由于网络攻击手段的多元化、智能化、复杂化，这些入侵检测系统尚存在误报、漏报率高等问题。特别是需要大量或完备的审计数据集才能达到比较理想的检测性能，并且训练时间较长，所以就需要寻找一种在小样本的情况下，能正确提取训练数据特征，实现入侵检测的方法。支持向量机方法是解决这类问题的较好选择，支持向量机本质上属于机器学习的范畴，由于它既有严格的理论基础，又能较好地解决小样本、非线性、高维数等问题，将它应用于入侵检测已成为研究的热点。本文在提高异常入侵检测系统的性能----提高检

6、测率，降低误报、漏报率方面，针对支持向量机及入侵检测的测试数据集作了相关研究。本文对基于SVM的网络异常检测系统进行分析与设计，对原有的IDES模型进行扩展，提出了基于SVM的入侵检测系统的模型，并阐述了各部分的功能。提出一种基于SVM的异常检测分类器的模型。在入侵检测系统应用的大多数环境中，我们只能得到“正常”数据。我们考虑如何通过这些数据建立一个正常模式，然后与当前的系统或用户的行为比较，从而判断出与正常模式的偏离程度。这样的问题可以转化为支持向量机的单类问题，它仅利用了“正常”类数据来设计分类器

7、判别当前样本的类别归属。本文通过KDD99数据集上的实验详细讨论了OCSVM的对偶问题参数，核函数参数对推广性的影响。仿真实验表明OCSVM不但符合实际而且具有良好的推广性。另外，现实情况下入侵行为是层出不穷的，不可能定义完整的训练集进行训练。因此希望入侵检测系统具有这样的能力，即它的学习精度可以随着其不断学习而逐步提高，这就是增量学习的思想。在分析现有的增量算法的基础上，结合KKT条件在增量过程中的作用，提出了本文的改进的增量OCSVM算法，使得OCSVM异常检测的分类器能够随着新的网络数据不断地进

8、行增量学习，同时训练集合规模得到一定程度抑制，缩短了训练时间。仿真实验证明，改进后的增量方法使分类效果得到改善。样本训练过程的实时性使得基于OCSVM的入侵检测系统成为一个实时系统，更加符合现实工作的要求。山东科技大学硕士学位论文摘要随着网络速度的提升,入侵检测系统面临的一个重要问题是检测速度低、负荷大,来不及处理网络中传输的海量数据,并且这个问题变得越来越严重。要处理的数据的特征数目过多是导致速度下降的主要原因之一，很多研究者通过特征选择来解决这个问题