类和样本加权支持向量机及其在入侵检测中的应用研究

摘要

随着网络入侵数据集KDD Cup1999 Data的出现,许多用来进行入侵检测的机器学习方法实验成功。支持向量机(SVM)是一种基于结构风险最小化原理(SRM)的分类和预测算法,它根据有限的样本信息在分类器模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力,它是一种对于小样本具有良好学习性能的机器学习方法。
　　 考虑到支持向量机的这种特性,本文把支持向量机分类算法应用于网络入侵检测中。应用支持向量机分类时,当训练集不均衡时将产生分类偏差,即分类准确率将偏向于样本集大的一类。杜树新提出了一种改进的方法即加权SVM,加权SVM对每个错误分类样本的惩罚系数是不一样的,这对小样本来说提高了分类精度,克服了常规SVM算法不能灵活处理样本的缺陷,可以改善其它方法在先验知识较少情况下的推广能力较低的问题。但是加权支持向量机方法只是考虑了对类进行加权,而没有考虑不同样本之间的区别。在实际问题中,同一类中不同样本之间其重要性也是不同的,忽视不同样本之间的重要性,将会导致重要的样本被误分类,继而导致判别函数将新的数据错误分类。本文在对标准C—SVM进行性能分析的基础上,提出了类和样本加权支持向量机CSWC—SVM(Class and Sample Weighted C—Support Vector Machine),并进一步基于CSWC—SVM算法构造了入侵检测模型。
　　 本文用C语言编写数据预处理实验程序,用MATLAB语言编写类和样本加权支持向量机程序,并使用KDD Cup1999 Data网络数据包集对算法进行训练和测试,将加权支持向量机用于网络入侵检测中。实验结果看出,该方法在训练样本数相对较少的情况下,仍然具有较高的检测率和正确率,同时具有比较稳定的误报率和漏报率,证明了此方法是可行性、高效性。

目录

文摘

英文文摘

图表目录

第一章 引言

1.1 论文的背景

1.2 支持向量机发展与现状

1.3 入侵检测的发展与现状

1.4 本文的主要内容及结构安排

1.4.1 本文的主要研究内容及意义

1.4.2 本文的结构安排

第二章 入侵检测概述

2.1 入侵检测基本结构

2.2 入侵检测的分类

2.3 入侵检测技术及发展趋势

第三章 支持向量机理论

3.1 机器学习

3.1.1 机器学习的基本问题

3.1.2 经验风险最小化

3.1.3 复杂性和推广能力

3.2 统计学习理论

3.2.1 VC维

3.2.2 推广性的界

3.3.3 结构风险最小化

3.3 支持向量机

3.3.1 最优分类面和支持向量

3.3.2 支持向量机的概念

3.3.3 内积核函数

第四章 类和样本加权支持向量机

4.1 C-SVM算法介绍

4.2 C-SVM算法性能分析

4.3 类和样本加权支持向量机

第五章 CSWC-SVM在入侵检测中的应用

5.1 KDDcup99数据集介绍

5.2 原始数据的预处理

5.3 基于CSWC-SVM的性能实验过程及结果

5.4 基于CSWC-SVM入侵检测系统的模型

5.4.1 基于CSWC-SVM入侵检测系统的思想

5.4.2 基于CSWC-SVM入侵检测系统的模型

第六章 结论展望

致谢

参考文献

附录 :作者在攻读硕士学位期间发表的论文及所受的奖励