基于特征选择的入侵检测方法研究

《基于特征选择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、分类号：TP391单位代码：10183研究生学号：2013532130密级：公开吉林大学硕士学位论文基于特征选择的入侵检测方法研究Intrusiondetectionmethodbasedonfeatureselection作者姓名：徐冬专业：计算机应用技术研究方向：网络安全指导教师：魏达教授培养单位：计算机科学与技术学院2016年5月基于特征选择的入侵检測方法研究Ｉｎｔｒｕｓｉｏｎｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎ怡ａｔｕ巧ｓｅｌｅｃｔｉｏｎ作者姓名：徐冬专业名称：计算机应用技术指导教师：魏达教授学位类别；工学硕±—答辩日期：年ｒ月社日未经

2、本论文作者的书面授权，依法收存和保管本论文书面版本、电子版本的任何单位和个人，均不得对本论文的全部或部分内容进行任何形式的复制、修改、发行、出租、改编等有碍作者著作权的商业性使用）。否则，应承担（但纯学术性使用不在此限侵权的法律责任。吉林大学硕±学位论文原创性声明，本人郑重声明：所呈交的硕±学位论文，是本人在指导教师的指导下独立进行研究工作所取得的成果，本论文。除文中已经注明引用的内容外不包含任何其他个人或集体已经发表或撰写过的作品成果。对本义的研究。做出重要贡献的个人和集体，均己在文中明确方式标明本人完全意识到本声明的法律结果由本人承担。学位论文

3、作者签名：日期：＞《年？月■＾日摘要摘要基于特征选择的入侵检测方法研究入侵检测技术是一种信息安全技术，是防御安全威胁的核心技术之一。该技术可以提供安全策略，同时可以不断更新策略以防御黑客攻击。网络攻击的多元化趋势越发明显，越来越多的黑客尝试使用大规模分布式方式对网络系统进行攻击。当IDS检测系统获取数据量增大时，IDS入侵检测的效率会有明显的下降，如何有效提高入侵检测系统的检测率和降低误报率是一个重要的研究课题。越来越多的安全研究人员尝试将机器学习和特征选择方法加入到入侵检测系统中去分析数据。通过这种数据分析模型可以获得很好的检测效果，在一定程度上提高了IDS系统的检测率。本文主要

4、围绕机器学习中的常用的几种特征选择方法，将其应用到入侵检测系统中去，尝试分析训练一些警报数据，以便提高入侵检测的检测效果。本文主要从入侵检测的角度出发，尝试使用不同的聚类分类学习算法去分析警报中的特征数据，尝试提取出对特征子集信息增益较大的特征子，以降低算法的计算复杂度，提高准确度。特征选择是机器学习中的重要问题之一。不同的数据特征选择方案会直接影响学习算法的分类精度和泛化能力。良好的特征选择算法可以有效剔除分类数据中存在冗余特征或者噪声数据。经典的特征选择算法(MIFS)提出了候选特征子与已选特征子冗余度与相关度计算模型，该模型未考虑候选特征子与不同已选特征子之间冗余度与相关度的相关关系问

5、题。因此，本文提出一种基于特征选择子冗余特征选择算法（RMIFS）。通过弥补特征子之间的冗余度来提高算法的准确率。采取特征降维来处理稀疏数据，降低复杂度，同时提高了准确率。该算法具有较好地泛化能力，适用于多种特征选择的标准度量。经过实验验证，结果显示基于互信息的特征选择算法RMIFS可以有效提高数据分类准确率，该特征降维方法对稀疏数据分类准确率有显著地提高。本文使用的数据集是经典的KDDCUP99数据集，此数据集被广泛用于对入侵检测中不同攻击进行分类研究。最后，本文尝试使用OSSEC和SNORT搭建一个基于混合模型的入侵检测系统，可以有效地检测到多步攻击。从数据包中使用模式匹配的方式去提取特

6、征，从多步攻击I摘要中提取不同数据的特征，从而构建数据集。从特征中选择对最后聚类分类结果影响较好的特征子。选择好的特征子集放入分类器进行训练。通过对比传统入侵检测系统，可得到RMIFS特征选择的方法可以更有效地提高入侵检测检测效果的结论。关键词：入侵检测，特征选择，聚类，分类，机器学习，RMIFSIIAbstractAbstractIntrusiondetectionmethodbasedonfeatureselectionIntrusiondetectiontechnologyisakindofinformationsecuritytechnology,andisoneofthecoret

7、echnologiesindefensesecuritythreats.Thistechniquecanprovidesecuritystrategy,andconstantlyupdatestrategyattackagainsthackers.Thediversificationtrendofnetworkattackismoreobvious,moreandmorehackerstrytouselarg