基于维数消减与SVM参数优化的入侵检测算法研究

摘要

随着网络攻击技术和手段的日益突出，入侵检测系统逐渐引起诸多学者的关注，成为了当前研究网络安全方面的重要课题。在众多的入侵检测方法中，研究人员发现将支持向量机SVM(Support Vector Machine)方法应用到入侵检测领域存在诸多优势，而且对基于SVM的入侵检测方法进行研究也有着非常重要的意义。
　　本文从入侵检测数据的维数消减、SVM的参数优化和入侵检测模型的构建三方面入手，对基于SVM的入侵检测算法的性能进行深入研究。
　　首先，本文阐述了用于维数消减的核主成分分析算法，并分析了惩罚参数和核函数参数对SVM分类性能所带来的影响，同时说明了利用粒子群算法进行参数优化的背景与思想。
　　其次，针对入侵数据集的高维数问题，提出一种基于ReliefF和样本筛选的核主成分分析算法。该算法利用ReliefF算法进行特征选择，并对特征选择后的样本分组执行核主成分分析算法，从执行结果中，挑选前两个主成分对样本进行筛选过滤，并对筛选后的样本再次执行核主成分分析算法，进而提取最终的主成分。
　　再次，针对SVM参数对分类性能的影响问题，提出一种基于速度和位移同步优化的粒子群优化算法。该算法在粒子种群模型分类的基础上，通过引入粒子进化度和聚合度两个变量来实现对惯性权重、学习因子和时间因子的动态调整，以达到优化粒子速度和位移的目的，使算法很快地找到最优的SVM参数。
　　最后，在验证了上述提出的两种改进算法的有效性的基础上，本文重新构建一种新的基于SVM的入侵检测模型，并将该模型与其它入侵检测模型在MATLAB环境下进行性能比较。

目录

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 本文研究内容

1.4 本文组织结构

第2章 维数消减与SVM参数优化方法

2.1 核主成分分析算法实现维数消减的思想

2.2 SVM与粒子群优化算法

2.3 本章小结

第3章 一种改进核主成分分析算法的维数消减方法

3.1 引言

3.2 入侵数据的高维性与规模性分析

3.3 基于ReliefF和样本筛选的核主成分分析算法RFSS-KPCA

3.4 RFSS-KPCA算法实现维数消减的实验分析

3.5 本章小结

第4章 一种改进粒子群算法的SVM参数优化方法

4.1 引言

4.2 影响粒子速度和位移的因素分析

4.3 基于速度和位移同步优化的粒子群算法VDSPSO

4.4 VDSPSO算法实现SVM参数优化的实验分析

4.5 本章小结

第5章 入侵检测模型的构建与验证

5.1 建立RFSS-KPCA-VDSPSO-SVM入侵检测模型

5.2 模型的评价标准与验证结果

5.3 本章小结

结论

参考文献

致谢