基于非均衡数据分类的网络安全研究

《基于非均衡数据分类的网络安全研究》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、基于非均衡数据分类的网络安全研究ResearchonNetworkSecurityBasedonImbalancedDataClassification学科专业：电子与通信工程研究生：贾振指导教师：刘开华教授天津大学微电子学院二零一七年十一月万方数据独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得天津大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的

2、任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名：签字日期：年月日学位论文版权使用授权书本学位论文作者完全了解天津大学有关保留、使用学位论文的规定。特授权天津大学可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。（保密的学位论文在解密后适用本授权说明）学位论文作者签名：导师签名：签字日期：年月日签字日期：年月日万方数据摘要由于网络的规模和复杂性不断增加，相应的网络安全问题也面临

3、着巨大挑战。利用IDS、防火墙、NetFlow等安全设备产生的海量数据做进一步研究，是目前分析网络安全状态的重要手段。然而，市场上现有的网络安全分析系统对于非均衡数据的分类的能力仍然存在一定缺陷，虽然现有的分类算法在精确度上有了较高的提升，但是仍然存在不确定性和滞后性。一方面，对于少数类数据的分类精度没有特别考虑，导致异常数据的错误识别，从而引起安全事件；另一方面，对于新出现的异常数据类型的分类检测严重滞后，导致漏报、误报的产生，由此很可能给网络系统带来灾难性的后果，造成巨大的损失。为解决上述问题，本文提

4、出基于自主学习的组合分类器算法。首先，通过自主学习的方法从大量未标记的网络安全数据中选择有价值的数据并标记，且将标记数据作为组合分类器的训练集。然后，在组合分类器中采用C4.5决策树构造的AdaBoost算法，并在训练过程中引入了误分类代价和惩罚函数，以减少非均衡数据中少数类的误分类。同时，通过与AdaBoost算法结合，增加了分类过程的多样性，获得较高的分类精度，有利于对网络安全数据分类性能的提升。最后通过仿真实验对本文所提出方法进行了验证，并和同类算法进行了对比。实验分别采用KDDCup99数据集和网

5、络实际抓取的数据包作为训练和测试集，较好的反映了真实网络环境。在对数据集进行预处理和特征提取之后，进行了召回率、精度和F度量值等指标和新类型异常数据检测效率的测试。结果表明，相比于原有传统的AdaBoost算法，本文所提出的算法在分类精度上表现良好，对于少数类的检测性能提升明显。最后，将算法应用于网络回溯分析系统，实现了更全面的、深入的流量分析，以及业务分析和网络故障的界定。关键词：网络安全异常分类，非均衡数据组合，分类器，AdaBoost算法I万方数据ABSTRACTWiththecontinuousg

6、rowthofnetworksizeandcomplexity,thecorrespondingnetworksecurityproblemsalsofaceenormouschallenges.Currently,usingthemassivedata,whichisproducebyIDS,firewall,Netflowandothersecuritydevices,forfurtherstudy,isanimportantmeansofanalyzingthestateofnetworksecur

7、ity.However,theexistingnetworksecurityanalysissystemsstillhavesomedefectsinthecapabilityofclassifyingunbalanceddata.Althoughtheexistingclassificationalgorithmshavebeengreatlyimprovedinaccuracy,butthereisstilluncertaintyanddelay.Ontheonehand,thereisnospeci

8、alconsiderationfortheclassificationaccuracyofminorityclassdata,whichleadstothewrongidentificationofanomalydata,whichleadstosecurityincidents.Ontheotherhand,theseriousdelayinthedetectionofemerginganomalousdatatypecau