基于IWO及TS的特征选择方法在入侵检测中的应用研究

摘要

随着互联网的快速发展，互联网给人们带来了方便，也同时也造成威胁。目前网络攻击方法层出不穷，网络威胁也越来越多，网络安全问题日益突出，使得目前的防火墙等被动的网络安全机制对许多攻击无能为力。入侵检测技术的主动防御，弥补了传统安全技术的不足之处，但网络数据量越来越大，信息过载，使入侵检测技术面临着巨大的挑战，如何有效地的降低入侵检测的消耗，提高检测速度，将是入侵检测技术面临的最迫切的问题。
　　在本文中，我们引入了特征选择技术，它可以通过一系列的子集搜索和评估，以找到最相关的特征，消除冗余特征，降低数据维数和提取有用的信息，降低了分类算法的计算复杂度，提高了分类算法的效率。通过深入的研究禁忌搜索算法(Tabu Search，TS)和入侵杂草(Invasive Weed Optimization，IWO)算法,分析其优点和不足。针对 TS算法对初始解依赖性强的缺点，使用IWO算法的群体操作特性为 TS算法提供初始解。IWO算法解空间以正态分布的形式比较稳定的分布，以适应度准则进行筛选，改善群体的质量。并对之后的每个个体开始，利用TS算法进行局部搜索，减少调用TS算法的次数，并对 TS算法的邻域分布规则进行改进，节约计算时间。IWOTS混合策略有效结合了 IWO全局搜索能力和TS的局部搜索能力，减少迭代次数，改善全局收敛性，并避免局部极小问题。
　　这种混合策略，能够克服自己的缺点，发挥两种算法的优点。将该特征选择方法应用到入侵检测系统中，针对各种攻击类型提供最优特征子集，从而提高入侵检测的检测速度。通过建立入侵检测模型对 KDD99数据集进行实验验证，实验结果表明，该特征选择方法能在更短的时间有效去除的网络信息的冗余特征，并在确保检测精度的前提下，提高系统的检测速度。

目录

封面

声明

目录

中文摘要

英文摘要

插图索引

附表索引

第1章 绪 论

1.1 研究背景及课题来源

1.2 国内外发展和现状

1.3 本文主要工作和结构安排

第2章 入侵检测

2.1 入侵检测概要

2.2入侵检测系统分类

2.3入侵检测技术分类

2.4入侵检测评价标准

2.5入侵检测的缺陷

2.6本章小结

第3章 特征选择方法

3.1特征选择概述

3.2特征选择的框架

3.3特征选择分类

3.4 本章小结

第4章 基于IWO及禁忌搜索的特征选择方法

4.1禁忌搜索算法

4.2入侵杂草算法

4.3基于 IWO及禁忌搜索算法的特征选择方法描述

4.4 本章小结

第5章 IWOTS的特征选择方法在入侵检测中的应用

5.1特征选择在入侵检测中的应用

5.2入侵检测模型

5.3本章小结

总结和展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文