基于特征选择和支持向量机的异常检测研究

摘要

随着网络技术的快速发展,网络入侵问题日益受到人们的关注。入侵检测作为一种主动的安全防御技术,成为继防火墙等传统安全保护方法之后的新一代安全保障技术。
　　当前入侵检测系统在高带宽、大流量情况下,会出现网络丢包率高、检测效率低、误报率高等缺点,很难做到实时的处理。同时,从网络数据提取的特征中往往存在大量的噪声和冗余,这进一步降低了入侵检测的处理效率,严重影响了检测性能。如何设计筛选最优网络特征的特征选择算法,并结合高效的检测算法进行匹配检测,是提高入侵检测系统性能的关键。
　　本文将特征选择算法和支持向量机相结合,提出一种基于支持向量机的异常检测模型,并介绍了模型中各模块的功能。该方法既结合了支持向量机在处理二分类问题时具有的小样本、非线性、克服维数灾难、泛化能力强等优点,同时还通过特征选择算法剔除网络数据集中的噪声和冗余特征,降低数据维数,以降低数据的处理复杂度,提高分类算法的效率。针对支持向量机核函数的参数选取问题,本文采用了网格搜索算法对核函数的参数进行了寻优。
　　在特征选择方面,本文提出了两种特征选择算法:基于分类模型分类准确率排序的特征选择算法和基于Fisher分和支持向量机的特征选择算法。前者是通过选择分类模型分类准确率高的特征组合方式来筛选特征,后者则是通过逐次选择Fisher分值较大的特征组合的方式来筛选特征。基于 kddcup99数据集的仿真实验结果表明,两种算法具有较高的检测率、较低的检测时间,并降低了系统数据的处理难度,提升检测系统的性能。

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

§1.2 国内外研究现状

§1.3 论文研究内容概述

§1.4 论文的组织结构

第二章 入侵检测系统

§2.1 入侵检测系统概述

§2.2 入侵检测的分类

§2.3 机器学习在入侵检测中的应用

§2.4 入侵检测系统存在的问题及发展趋势

§2.5 本章小结

第三章 支持向量机理论

§3.1 引言

§3.2 支持向量机理论基础

§3.3 本章小结

第四章 基于支持向量机的异常检测模型

§4.1引言

§4.2 基于SVM异常检测系统模型

§4.3 仿真实验与结果分析

§4.4 本章小结

第五章 两种新的特征选择算法

§5.1 引言

§5.2 特征选择在入侵检测中的应用

§5.3 基于分类模型分类准确率排序的特征选择算法

§5.4 基于Fisher分和SVM的特征选择算法

§5.5 本章小结

第六章 总结与展望

§6.1 论文的主要工作

§6.2 对下一步工作的展望

参考文献

致谢

作者在攻读硕士期间的主要研究成果