计算智能分类方法及其在入侵检测中的应用研究

摘要

分类,顾名思义是将无规律的事物分为有规律,它是当今信息处理、数据挖掘和知识发现等诸多领域中的一项重要任务。随着信息技术的迅猛发展以及信息量呈指数形式增长,常用的分类方法凸显出不足,而智能分类法得到广泛应用和重视,特别是计算智能分类方法的研究具有重要的理论意义和应用价值。
　　入侵检测是对入侵行为的检测,主要区分正常网络行为和异常入侵行为及其类型,在实际检测中是一个多分类问题,而采用计算智能分类法无疑能够大大提高入侵检测的效果。为此,本论文针对计算智能分类方法及其在入侵检测中的应用进行研究,其主要工作或创新如下:
　　(1)为了解决粒子群(PSO)算法存在过早收敛、陷入局部极小等问题,研究了基于云模型的粒子群(CPSO)算法,主要采用云模型动态确定惯性权重,可以取得较快的优化速度且能避免陷入局部极小,经经典优化函数测试,结果表明CPSO算法优于PSO算法和蚁群(ACO)算法。进而研究了基于CPSO的神经网络分类方法,可以克服神经网络分类精度较低的缺点。仿真实验表明其分类方法在分类精度上得到较大提高。
　　(2)基于统计学习理论的支持向量机(SVM)在分类上具有独特的优势,为了解决支持向量机(SVM)模型中惩罚参数和核参数凭经验选取或试验法的选取问题,运用云模型能提高优化策略、加快收敛速度等优点,研究基于云PSO的SVM分类方法(CPSO-SVM),即采用云PSO算法优化SVM模型及其参数。实验表明CPSO-SVM分类方法在入侵检测中,其检测精度高于经典SVM和基于PSO的SVM方法(PSO-SVM)。
　　(3)基于稀疏贝叶斯框架下的相关向量机(RVM)具有计算量少、分类精度高等优点,但也存在模型参数的优化问题。为此,研究了基于云PSO的RVM分类方法(CPSO-RVM),即采用云PSO算法优化RVM模型及其核函数宽度参数。通过典型实验和KDDCup99数据库入侵检测资料的多分类问题的实际检测,结果表明:与PSO-RVM、PSO-SVM和CPSO-SVM等多种分类方法相比,CPSO-RVM分类方法的检测精度最高,大大降低了误报率。这为CPSO-RVM的广泛应用提供了科学依据。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1 选题背景与意义

1.2 国内外研究现状与发展趋势

1.3 本文研究内容与章节安排

第二章 进化计算方法研究

2.1蚁群算法

2.2粒子群优化算法概说

2.3云粒子群优化算法

2.4本章小结

第三章 基于进化计算的神经网络分类方法研究

3.1神经网络模型

3.2 基于ACO的ANN分类方法

3.3 基于PSO的ANN分类方法

3.4 基于CPSO的ANN分类方法

3.5 本章小结

第四章 基于进化计算的支持向量机分类方法研究

4.1 支持向量机模型

4.2基于PSO的SVM分类方法

4.3基于CPSO的SVM分类方法

4.4本章小结

第五章 基于进化计算的相关向量机分类方法研究

5.1相关向量机模型

5.2基于PSO的RVM分类方法

5.3基于CPSO的RVM分类方法

5.4 本章小结

第六章 入侵检测实际应用

6.1 多分类检测

6.2 实际应用

6.3分类算法挂接智能数据挖掘系统

6.4本章小结

第七章 总结与展望

参考文献

攻读学位期间所取得的相关科研成果

致谢