本文關(guān)鍵詞： I-K-Means聚類 檢測(cè)率 HRNB分類算法 網(wǎng)絡(luò)安全 入侵檢測(cè) 誤檢率 近似度距離 漏報(bào)率　出處：《河南理工大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

【摘要】：高科技的發(fā)展帶動(dòng)了社會(huì)信息化的發(fā)展。網(wǎng)絡(luò)技術(shù)的飛速發(fā)展使得越來越多的人開始發(fā)揮網(wǎng)絡(luò)的作用來辦理各種事物,與此同時(shí)網(wǎng)絡(luò)安全問題也相應(yīng)的成為社會(huì)發(fā)展的重要保障�，F(xiàn)今是一個(gè)網(wǎng)絡(luò)信息化的時(shí)代,防火墻對(duì)內(nèi)部地進(jìn)犯進(jìn)行攔截已經(jīng)是筋疲力盡,更不用說去阻擋來自外部的一些不法攻擊。網(wǎng)絡(luò)安全成為許多技術(shù)發(fā)展的重要保障。入侵檢測(cè)在網(wǎng)絡(luò)安全方面占有著一席之地。伴隨著復(fù)雜化、多樣化的網(wǎng)絡(luò)入侵形式,入侵檢測(cè)體系也必須達(dá)到更高的水平來匹配形式變化。本文首先是對(duì)入侵檢測(cè)的相關(guān)研究進(jìn)行一定的介紹。簡(jiǎn)要的介紹了貝葉斯的一些基礎(chǔ)原理,剖析了利用樸素貝葉斯算法操縱入侵檢測(cè)的缺點(diǎn)和弊端。本文的創(chuàng)新工作點(diǎn)如下:1).首先為了克服傳統(tǒng)樸素貝葉斯對(duì)缺失數(shù)據(jù)的缺點(diǎn),利用HRNB分類算法對(duì)樸素貝葉斯進(jìn)行一個(gè)分層的分類,使得分為完整屬性集和缺失屬性集兩類。在分層的過程中對(duì)每層都設(shè)置一個(gè)調(diào)控參數(shù)?,使得調(diào)控參數(shù)進(jìn)行最優(yōu)分類的調(diào)控。2).對(duì)原始的K-Means聚類算法進(jìn)行改進(jìn),使得初始值的選取避免敏感。采用的是利用歐幾里得距離公式計(jì)算類內(nèi)和類間的近似度距離,使得類內(nèi)距離達(dá)到最大,類間最小。3).融合I-K-Means聚類算法和HRNB分類算法,結(jié)合各自的優(yōu)勢(shì),提出基于I-K-Means聚類的HRNB樸素貝葉斯分類算法,并且依據(jù)此算法建立入侵檢測(cè)模型。本文提出的算法在KDD Cup 10%上進(jìn)行了仿真實(shí)驗(yàn)。從實(shí)驗(yàn)結(jié)果可以分析得到,在對(duì)缺失數(shù)據(jù)的入侵檢測(cè)中,改進(jìn)后的算法相比較與傳統(tǒng)的樸素貝葉斯分類算法使得數(shù)據(jù)的檢測(cè)率提高了,誤檢率和漏報(bào)率降低了。在對(duì)各種攻擊類型的入侵檢測(cè)方面,檢測(cè)率、誤檢率和漏報(bào)率方面都有相應(yīng)的改善。證明了該算法具有一定的有效性和可用性。
[Abstract]:The rapid development of network technology makes more and more people begin to play the role of network to deal with all kinds of things. At the same time, the problem of network security has become an important guarantee for the development of society. Nowadays, in the era of network information, it is exhausting for firewalls to intercept the intruders. Not to mention blocking some illegal attacks from outside. Network security has become an important safeguard for the development of many technologies. Intrusion detection plays a role in network security. With the complexity and variety of network intrusion forms, Intrusion detection system must also reach a higher level to match the changes in form. Firstly, this paper introduces the relevant research of intrusion detection, and briefly introduces some basic principles of Bayes. This paper analyzes the shortcomings and drawbacks of manipulating intrusion detection by using naive Bayes algorithm. The innovation work of this paper is as follows: 1. First of all, in order to overcome the shortcomings of traditional naive Bayes for missing data, The HRNB classification algorithm is used to classify naive Bayes into two categories: complete attribute set and missing attribute set. In the process of delamination, a control parameter is set for each layer. The original K-Means clustering algorithm is improved to avoid sensitivity to the selection of initial values. The Euclidean distance formula is used to calculate the approximate distance between classes. By combining I-K-Means clustering algorithm and HRNB classification algorithm, a HRNB naive Bayesian classification algorithm based on I-K-Means clustering is proposed. Based on this algorithm, the intrusion detection model is established. The algorithm proposed in this paper is simulated on KDD Cup 10%. From the experimental results, it can be concluded that in the intrusion detection of missing data, Compared with the traditional naive Bayesian classification algorithm, the improved algorithm can improve the detection rate of data, reduce the false detection rate and false report rate. Both the false detection rate and the false report rate have been improved, and the effectiveness and availability of the algorithm have been proved.
【學(xué)位授予單位】：河南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP393.08

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 饒鮮;楊紹全;魏青;董春曦;;基于熵的入侵檢測(cè)特征參數(shù)選擇[J];系統(tǒng)工程與電子技術(shù);2006年04期

2 王東琦,王長(zhǎng)山,林延福;檢測(cè)SYN洪水攻擊的動(dòng)態(tài)模型[J];現(xiàn)代電子技術(shù);2004年23期

3 周勇林;由林麟;張永錚;;基于命名及解析行為特征的異常域名檢測(cè)方法[J];計(jì)算機(jī)工程與應(yīng)用;2011年20期

4 李彬,戴銀濤,胡昌振;Linux下一種入侵檢測(cè)特征提取及規(guī)則制定方法[J];計(jì)算機(jī)安全;2003年11期

5 曹政;入侵檢測(cè)技術(shù),雞肋還是機(jī)會(huì)?——入侵檢測(cè)的幾個(gè)問題和解決途徑[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2003年04期

6 孟磊;劉勝利;劉龍;陳嘉勇;孫海濤;;基于心跳行為分析的木馬快速檢測(cè)方法[J];計(jì)算機(jī)工程;2012年14期

7 張小兵,葉新銘,石立新;入侵檢測(cè)中的告警分析研究[J];內(nèi)蒙古大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年05期

8 蔣宗華;劉軍;;基于動(dòng)態(tài)克隆選擇的入侵檢測(cè)及其搜索核特征的研究[J];電腦與信息技術(shù);2006年06期

9 胡建康;徐震;馬多賀;楊婧;;基于決策樹的Webshell檢測(cè)方法研究[J];網(wǎng)絡(luò)新媒體技術(shù);2012年06期

10 黎利輝;;基于遺傳模擬退火算法的入侵檢測(cè)特征選擇研究[J];計(jì)算機(jī)安全;2010年07期

相關(guān)重要報(bào)紙文章 前1條

1 金婉霞 本報(bào)記者 王春;檢測(cè)H7N9 僅需兩小時(shí)[N];科技日?qǐng)?bào);2013年

相關(guān)博士學(xué)位論文 前10條

1 姜德迅;代碼壞味檢測(cè)方法研究及重構(gòu)分析[D];哈爾濱工業(yè)大學(xué);2014年

2 任少卿;基于特征共享的高效物體檢測(cè)[D];中國科學(xué)技術(shù)大學(xué);2016年

3 許舟軍;基于異常分析的入侵檢測(cè)關(guān)鍵技術(shù)研究[D];天津大學(xué);2006年

4 郁繼鋒;基于數(shù)據(jù)挖掘的Web應(yīng)用入侵異常檢測(cè)研究[D];華中科技大學(xué);2011年

5 任斐;基于數(shù)據(jù)挖掘的自適應(yīng)異常檢測(cè)研究[D];吉林大學(xué);2009年

6 滕少華;基于對(duì)象監(jiān)控的分布式協(xié)同入侵檢測(cè)[D];廣東工業(yè)大學(xué);2008年

7 李戰(zhàn)春;入侵檢測(cè)中的機(jī)器學(xué)習(xí)方法及其應(yīng)用研究[D];華中科技大學(xué);2007年

8 李鴻彬;SIP網(wǎng)絡(luò)中入侵檢測(cè)與防御系統(tǒng)關(guān)鍵技術(shù)的研究[D];中國科學(xué)院研究生院（沈陽計(jì)算技術(shù)研究所）;2012年

9 劉長(zhǎng)龍;基于側(cè)信道分析的硬件木馬檢測(cè)技術(shù)研究[D];天津大學(xué);2013年

10 張福勇;面向惡意代碼檢測(cè)的人工免疫算法研究[D];華南理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 胥小馬;使用多特征和多線索的駕駛員人臉檢測(cè)技術(shù)[D];北京理工大學(xué);2015年

2 李先飛;基于外貌特征的行人檢測(cè)方法研究與軟件實(shí)現(xiàn)[D];電子科技大學(xué);2014年

3 劉秋榮;面向代碼壞味檢測(cè)的閾值動(dòng)態(tài)優(yōu)化方法[D];北京理工大學(xué);2016年

4 崔靜靜;基于I-K-Means聚類的樸素貝葉斯HRNB分類算法在入侵檢測(cè)中的應(yīng)用研究[D];河南理工大學(xué);2014年

5 郝建波;微博突發(fā)話題檢測(cè)、跟蹤與傳播預(yù)測(cè)技術(shù)研究[D];哈爾濱工程大學(xué);2013年

6 李娜娜;基于免疫的層次異常檢測(cè)研究[D];河北工業(yè)大學(xué);2005年

7 錢昱;數(shù)據(jù)挖掘在入侵檢測(cè)中的應(yīng)用研究[D];安徽大學(xué);2004年

8 梁宏志;特征分析在入侵檢測(cè)中的應(yīng)用[D];電子科技大學(xué);2007年

9 吳素芹;免疫Agent在入侵檢測(cè)中的應(yīng)用研究[D];南京理工大學(xué);2009年

10 馮月姣;基于頻率分析的網(wǎng)絡(luò)流量異常檢測(cè)方法研究[D];吉林大學(xué);2011年

，

本文編號(hào)：1494467