基于主成分分析和贝叶斯分类的入侵检测方法研究

摘要

入侵检测是继“防火墙”、“数据加密”等传统安全防护措施之后又一道安全闸门。入侵检测作为一种积极主动的安全防护技术，提供了对内部攻击、外部攻击和误操作的实时防护，能够在网络系统受到危害之前，及时拦截和响应入侵。随着网络规模的日益庞大、网络环境的日益复杂和网络传输速度日益迅速，入侵检测系统在提高准确度的同时还必须提高处理速度。 贝叶斯分类是数据挖掘方法中一种高效、快速的分类算法，但存在特征属性与类属性的相对独立性问题。为此，本文构建了PCA-BC入侵检测模型，将主成分分析PCA(Principal Component Analysis)和贝叶斯分类BC(BayesianClassification)结合起来，提出一种改进的入侵检测算法PCA-BC。该算法首先利用主成分分析对原始数据进行预处理，增强数据分布的独立性，然后利用贝叶斯分类器学习分类规则。仿真测试结果表明通过算法使特征独立性增强、检测系统的训练时间明显降低、预测精度明显提高。

目录

文摘

英文文摘

声明

第一章绪论

1.1选题背景

1.2研究现状

1.2.1入侵检测系统的研究历史与现状

1.2.2贝叶斯分类在入侵检测中的研究现状

1.3论文背景和工作内容

1.4论文结构

第二章主要理论基础

2.1入侵检测概述

2.1.1入侵检测概念

2.1.2入侵检测技术和分类

2.2贝叶斯分类在入侵检测当中的应用

2.2.1数据挖掘原理与过程

2.2.2数据挖掘在入侵检测中的应用

2.2.3贝叶斯分类基础

2.3朴素贝叶斯分类模型

2.4主成分分析基础

第三章PCA-BC入侵检测模型与检测算法研究及实现

3.1基于数据挖掘的入侵检测系统模型

3.1.1入侵检测系统的体系结构

3.1.2基于数据挖掘的入侵检测系统模型

3.1.3 PCA-BC入侵检测模型

3.2异常检测中数据预处理研究

3.2.1网络数据源

3.2.2数据源的标准化处理

3.2.3基于主成份分析的特征选取

3.3 PCA-BC分类器的构建

3.4仿真试验

3.4.1算法描述

3.4.2试验数据集

3.4.3算法测试

3.4.5同类算法性能比较

3.5小结

第四章结论及未来的工作

致 谢

攻读硕士学位期间从事的科研工作

参考文献