数据挖掘中贝叶斯算法在入侵检测中的应用

摘要

伴随着社会的发展、人类文明的进步，网络的发展也是空前绝后的，可以说今天人类社会的发展是离不开网络的。由于Internet的不断发展，导致网络上需要处理的信息量的增加速度是人们难以想象的，网络就像一把双刃剑，在给人们带来利益和方便的同时，也带来了不少负面的影响，网络上的攻击和破坏也是逐年增多。当前网络攻击日益趋向复杂化和智能化，那么，传统的网络安全防御技术（如防火墙、访问权限控制等）手段已显得难以应对。作为保障网络安全的主流技术手段——入侵检测技术(IDS)就变得备受关注。经过多年的发展，该技术领域已经日趋成熟，将数据挖掘中技术应用到入侵检测领域已经成为保障网络安全的研究热点。但是，由于入侵手段的不断发展以及入侵审计数据信息量不断增大，使得传统的经典数据挖掘分类技术在网络入侵检测的应用中已经显得捉襟见肘，无法保证入侵检测系统的检测率、实时性的要求。本文在分析了传统的朴素贝叶斯分类基础上，提出一种改进的贝叶斯分类算法和基于传统贝叶斯分类的入侵检测系统的改进模型，旨在改进传统贝叶斯分类入侵检测系统模型在检测率、检测时间上不足的问题。在此之后，提出了一种基于粗糙集理论依赖度的属性简约方法，以达到降低属性复杂度、删除冗余属性，使整个检测系统的建模时间有所降低。
　　本文的主要研究工作如下:
　　(1)首先对数据挖掘技术、入侵检测技术等进行了分析，分析了当今该领域国内外的发展动态，对入侵检测技术概念、分类作出了说明。
　　(2)对传统贝叶斯分类算法进行了分析，在此基础上提出了一种改进的贝叶斯分类算法以及对基于贝叶斯分类的传统入侵检测系统模型进行了改进，在改进的系统模型中，融入了误用检测技术中的模式匹配方法，虽然在系统模型中增加了新的模块，在构建系统的初期，可能会增加一定工作量，但是通过对传统模型的改进，在入侵检测过程中，可以提高整个系统的检测率，提高检测效率。
　　(3)对基于粗糙集合理论的属性简约方法进行了研究和分析，研究了传统粗糙集合理论中的区分矩阵的方法求解属性的简约，分析了传统区分矩阵方法的缺陷和不足，在此基础上提出一种独立于区分矩阵的属性简约方法——基于依赖度的属性简约方法，并且给出了该方法的具体求解简约过程，最后通过实例的比较，证明了基于依赖度的属性简约方法比传统的区分矩阵方法在时空性能上更为优秀。

目录

声明

摘要

1 绪论

1．1 前言

1．2 选题的背景和研究意义

1．3 论文的主要工作

1．4 论文的结构安排

2 数据挖掘和入侵检测技术

2．1 数据挖掘概述

2．2 数据挖掘的步骤

2．3 数据挖掘的主要算法

2．4 入侵检测技术

2．5 入侵检测系统的主要类型

2．5．1 按数据来源和系统结构分类

2．5．2 按检测方法分类

2．6 入侵检测技术的发展方向

2．7 贝叶斯分类的入侵检测技术的应用研究

2．8 本章小结

3 贝叶斯分类原理研究

3．1 引言

3．2 贝叶斯分类理论

3．2．1 贝叶斯分类的一般原理

3．2．2 朴素贝叶斯分类

3．3 朴素贝叶斯算法的改进

3．4 入侵检测中贝叶斯分类系统的建立

3．4．1 训练过程

3．4．2 检测过程

3．5 朴素贝叶斯分类在入侵检测应用中的优缺点

3．6 本章小结

4 基于粗糙集理论属性简约方法研究

4．1 引言

4．2 属性选择的论述

4．3 属性的评价标准

4．4 属性选择方法介绍

4．4．1 Relief方法

4．4．2 信息熵的属性选择方法

4．5 粗糙集合理论概述

4．6 粗糙集合相关定义

4．7 基于粗糙集合理论的区分矩阵方法求解属性简约

4．8 基于属性依赖度方法求解属性简约

4．9 本章小结

5 基于改进贝叶斯入侵检测模型实验的建立

5．1 实验环境、平台以及数据集介绍

5．1．1 测试平台——WEKA软件

5．1．2 实验数据介绍

5．2 对改进后的贝叶斯分类算法建立实验

5．3 对改进后的贝叶斯入侵检测系统建立实验

5．4 基于依赖度属性选择方法在实际中的应用

5．5 本章小结

6 总结与展望

6．1 全文总结

6．2 工作展望

致谢

参考文献

攻读学位期间的研究成果