基于粗糙集和增量svm的入侵检测方法研究

《基于粗糙集和增量svm的入侵检测方法研究》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、学位论文独创性说明本人郑重声明：所呈交的学位论文是我个人在导师指导下进行的研究工作及其取得研究成果。尽我所知，除了文中加以标注和致谢的地方外，论文中不包含其他人或集体已经公开发表或撰写过的研究成果，也不包含为获得西安科技大学或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。学位论文作者签名：日期：学位论文知识产权声明书本人完全了解学校有关保护知识产权的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属于西安科技大学。学校有权保留并向国家有关部门或机构送交论文

2、的复印件和电子版。本人允许论文被查阅和借阅。学校可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。同时本人保证，毕业后结合学位论文研究课题再撰写的文章一律注明作者单位为西安科技大学。保密论文待解密后适用本声明。学位论文作者签名：指导教师签名：年月日论文题目：基于粗糙集和增量SVM的入侵检测方法研究专业：计算机应用技术硕士生：陈艺坤(签名)指导教师：牟琦摘要(签名)作为一种主动的安全防御技术，入侵检测是网络安全技术的一个重要研究方向。支持向量机(SVM)建立在

3、统计学习理论的VC维理论和结构风险最小化原理基础之上，避免了局部最优解和维数灾难，但是存在以下不足：在处理高维、大规模入侵检测数据时，SVM方法训练时间长、检测速度慢；在处理非平衡入侵检测数据时，对样本数目少的攻击类型检测率不高；传统SVM方法缺乏对增量式学习的支持。针对以上不足，本文研究并提出了基于粗糙集和增量SVM的入侵检测方法，并在KDDCUP1999数据集上进行仿真实验。主要研究内容如下：首先，针对高维入侵检测数据中存在的无关属性和冗余属性，提出了基于正区域属性约简(PRAR)算法。仿真实验结果表明：与基于区分矩阵、改进正区域的

4、属性约简算法相比，基于PRAR算法的入侵检测特征选择方法不仅能够获取入侵检测数据的最优特征子集，而且其特征选择效率更高，明显改善了分类算法的入侵检测性能。其次，针对大规模、非平衡入侵检测数据致使SVM入侵检测方法训练时间长、检测速度慢以及对样本数目少的攻击类型检测率不高的问题，提出了基于邻界区的快速增量SVM(B-ISVM)算法。仿真实验结果表明：与基于分块增量SVM和基于KKT条件的改进增量SVM入侵检测方法相比较，基于B-ISVM算法的入侵检测方法更有效的提取了支持向量，不仅训练和检测速度明显提升，而且有较高的检测率和较低的误报率。

5、最后，将以上两个算法进行结合，给出了基于粗糙集和增量SVM的入侵检测方法。此方法首先采用PRAR算法对入侵检测数据进行特征选择；然后运用基于邻界区的快速增量SVM入侵检测算法实现入侵检测。实验结果表明：该方法结合了PRAR算法和B-ISVM算法的优点，具有较好的入侵检测性能。关键词：粗糙集；属性约简；特征选择；增量SVM；入侵检测研究类型：应用研究SubjectSpecialty:ResearchontheIntrusionDetectionMethodBasedonRoughSetandIncrementalSVM:Computer

6、ApplicationTechnologyName:ChenYikun(Signature)Instructor:MuQi(Signature)ABSTRACTIntrusiondetection,anactivesecuritydefensetechnology,isasignificantresearchofnetworksecuritysystem.Supportvectormachines(SVM),basedontheVCdimensiontheoryandstructuralriskminimizationprinci

7、pleinstatisticallearningtheory,couldavoidthelocaloptimalsolutionandthecurseofdimensionality.However,indealingwithhighdimensional,large-scaleintrusiondetectiondata,theSVMmethodneedsverylongtrainingtime,andthedetectionspeedisveryslow;indealingwithnon-equilibriumintrusionde

8、tectiondata,ithaslowdetectionrate;thetraditionalSVMmethoddoesnotsupportincrementallearning.Fortheaboves