基于入侵检测的神经网络分类器组合问题及PCA技术研究

摘要

本文主要对基于树形组合结构的神经网络分类器组合方法在入侵检测系统的实现技术进行研究和探索，开展以下方面的工作： (1)针对BP神经网络分类器以及LVQ神经网络分类器的特点，本文提出了一个树形分类器组合框架。该组合分类器利用BP神经网络的独立性以及自适应性解决了一般分类器难以不断学习和适应新攻击的问题；利用LVQ神经网络的竞争性将分类信息定义为特定的目标类别。 (2)由于入侵检测数据集中的信息均为高维特征向量，因此它需要在大规模的分类识别过程中解决特征提取问题。本文采用主成分分析(Principal Components Analysis)方法较好地解决了该问题。具体做法是：基于MATLAB统计工具箱，利用相关函数对入侵检测数据集进行预处理——降维操作；接着将2层树形BP-LVQ神经网络组合分类器应用到入侵检测的行为识别之中；然后根据模式识别的原理，针对BP神经网络子分类器的训练算法，舍Levenberg-Marquardt算法而取Resilient Backpropagation算法，使得分类器具有较佳的性能。 (3)定性地采用某种选择策略来挑出可信度估计值最大的一类作为对样本的判断，往往因为实际情况的不同而有失偏颇，本文将样本的属于各个类别的可信度以向量的形式输出，给予决策者更多的考虑空间，从而根据实际情况做出最终判决。

目录

文摘

英文文摘

第一章绪论

1.1引言

1.1.1入侵检测的意义及发展状况

1.1.2入侵检测存在的问题及挑战

1.1.3国内外相关研究成果

1.2论文的研究内容

1.3论文的组织结构

第二章入侵检测中的模式识别问题研究

2.1模式识别

2.1.1概述

2.1.2实现方法

2.2基于神经网络的分类问题

2.2.1神经元模型

2.2.2隐层结点设置

2.2.3神经网络分类器

2.2.4适用于入侵检测的神经网络分类器

2.3小结

第三章多神经网络分类器组合模型

3.1多分类器组合模型

3.1.1组合分类器

3.1.2组合方法

3.2一种新的树形分类器组合模型

3.2.1原理概述

3.2.2BP-LVQ树型组合分类模型描述

3.2.3模型特征

3.3 MATLAB工具箱

3.3.1 MATLAB简介

3.3.2 MATLAB的神经网络工具箱

3.3.3 MATLAB的统计工具箱

3.4实验及结果分析

3.5小结

第四章一种用于入侵检测的BP-LVQ神经网络组合分类模型

4.1基于入侵检测的BP-LVQ神经网络组合分类器

4.1.1BP-LVQ NN组合分类器

4.1.2分类器特性

4.2入侵检测数据的PCA研究

4.2.1入侵检测的数据特征

4.2.2 PCA特征提取

4.2.3基于MATLAB的PCA实现

4.2.4形用户界面(GUI)设计

4.2.5 PCA结果分析

4.3实验及结果分析

4.4小结

第五章总结与展望

参考文献

致谢

攻读学位期间发表论文情况