学位论文 > 优秀研究生学位论文题录展示

支持向量机在入侵检测系统中的应用

作　者: 马志强
导　师: 石磊
学　校: 郑州大学
专　业: 软件工程
关键词: 支持向量机入侵检测机器学习特征选择
分类号: TP18
类　型: 硕士论文
年　份: 2010年
下　载: 12次
引　用: 0次
阅　读: 论文下载

内容摘要

随着网络技术的飞速发展以及广泛应用,网络安全成了越来越重要的问题,如何快速、准确、有效地识别已有的攻击和日益增多的新的攻击是入侵检测系统所面临的迫切问题。相对于传统的入侵检测技术来说,模式识别技术为基于机器学习的入侵检测技术注入了新的活力,模式识别技术的泛化能力,使入侵检测系统能检测到新的或未知的攻击；而分类器的分类能力提高了入侵的检测率。支持向量机建立在统计学理论的VC维理论和结构风险最小化原则上,避免了局部最优解,并克服了维数的灾难。在解决小样本、高维输入空间的入侵检测分类问题中表现出了许多优势。本文对基于向量机的入侵检测系统进行研究和探讨。考虑到网络连接数据的不同属性对检测结果贡献不一的事实,本文根据决策函数的特有形式与前人的研究成果提出了新的特征选择方法,提高了检测的效率和精度。本文的工作主要包括以下几个方面：(1)综述了入侵检测系统的发展历程,分析了目前入侵检测的研究现状,并讨论了现有的检测结构及检测技术的优点及局限性。(2)阐述了统计学习理论的基本原理,在论述支持向量机的同时,分析了支持向量机优于其他的学习算法的原因,研究了支持向量机的实现方法。(3)由于网络特征数据中,不同的特征对分类结果的影响系数不同,而支持向量机的决策函数可以表示为权值与特征的乘积的和的形式,在前人的研究成果的基础上,本文提出了一种新的特征选择方法,并进行了实验验证,经过在KDDCUP99数据集上的实验结果证明这一方法是有效可行的。

全文目录

摘要  4-5
Abstract  5-10
第一章绪论  10-14
  1.1 论文的研究背景及意义  10-11
  1.2 入侵检测系统研究现状  11-13
  1.3 论文的组织结构  13-14
第二章入侵检测与支持向量机技术基础  14-35
  2.1 入侵检测的定义及分类  14-15
  2.2 入侵检测系统的体系结构  15-17
    2.2.1 集中式结构  15
    2.2.2 分布式结构  15-16
    2.2.3 分层结构  16-17
  2.3 入侵检测系统的工作模式  17-18
  2.4 入侵检测系统的测试与评估  18-19
    2.4.1 测试评估的数据来源  18
    2.4.2 评价入侵检测系统的参数  18-19
  2.5 机器学习的基本理论  19-22
    2.5.1 机器学习中基本问题的表示  19-21
    2.5.2 经验风险最小化原则  21
    2.5.3 复杂性和推能力  21-22
  2.6 统计学习理论  22-26
    2.6.1 VC维  23-24
    2.6.2 推广性的界  24
    2.6.3 结构风险最小化  24-26
  2.7 支持向量机  26-33
    2.7.1 广义最优超平面  26-28
    2.7.2 支持向量机基本理论  28-30
    2.7.3 核函数  30-31
    2.7.4 SVM训练算法  31-32
    2.7.5 多类问题中的SVM  32-33
  2.8 本章小结  33-35
第三章 SVM在入侵检测中的应用  35-45
  3.1 支持向量机应用于入侵检测  35
  3.2 支持向量机方法实现入侵检测的基本思想  35-36
  3.3 实验数据集  36-39
  3.4 数据预处理  39-40
  3.5 网络数据特征选择  40-42
  3.6 基于支持向量机的入侵检测系统  42-44
  3.7 本章小结  44-45
第四章实验结果及分析  45-58
  4.1 核函数及相应参数选择  45-52
    4.1.1 核函数选择  45-47
    4.1.2 核函数参数选择  47-52
  4.2 特征选择实验  52-54
    4.2.1 特征选择方法一  52-53
    4.2.2 特征选择方法二  53-54
  4.3 系统性能比较  54-57
  4.4 本章小结  57-58
第五章结论与展望  58-60
  5.1 本文研究工作总结  58-59
  5.2 讨论与展望  59-60
参考文献  60-62
致谢  62-63
个人简历、在学期间发表的学术论文与研究成果  63

支持向量机在入侵检测系统中的应用

内容摘要

全文目录

相似论文