【摘要】：在傳統(tǒng)基于SVM的入侵檢測(cè)中,核函數(shù)構(gòu)造和特征選擇采用先驗(yàn)知識(shí),普遍存在準(zhǔn)確度不高、效率低下的問(wèn)題。通過(guò)信息熵理論與SVM算法相結(jié)合的方法改進(jìn)為基于信息熵的SVM入侵檢測(cè)算法,可以提高入侵檢測(cè)的準(zhǔn)確性,提升入侵檢測(cè)的效率�；谛畔㈧氐腟VM入侵檢測(cè)算法包括兩個(gè)方面:一方面,根據(jù)樣本包含的用戶(hù)信息熵和方差,將樣本特征統(tǒng)一,以特征是否屬于置信區(qū)間來(lái)度量。將得到的樣本特征置信向量作為SVM核函數(shù)的構(gòu)造參數(shù),既可保證訓(xùn)練樣本集與最優(yōu)分類(lèi)面之間的對(duì)應(yīng)關(guān)系,又可得到入侵檢測(cè)需要的最大分類(lèi)間隔;另一方面,將樣本包含的用戶(hù)信息量作為度量大幅度約簡(jiǎn)樣本特征子集,不但降低了樣本計(jì)算規(guī)模,而且提高了分類(lèi)器的訓(xùn)練速度。實(shí)驗(yàn)表明,該算法在入侵檢測(cè)系統(tǒng)中的應(yīng)用優(yōu)于傳統(tǒng)的SVM算法。
[Abstract]:In the traditional intrusion detection based on SVM, prior knowledge is used in kernel function construction and feature selection, which has the problems of low accuracy and low efficiency. Through the combination of information entropy theory and SVM algorithm, the SVM intrusion detection algorithm based on information entropy can improve the accuracy of intrusion detection and improve the efficiency of intrusion detection. The SVM intrusion detection algorithm based on information entropy includes two aspects: on the one hand, according to the user information entropy and variance included in the sample, the sample features are unified and measured by whether the feature belongs to the confidence interval. The obtained confidence vector of the sample feature as the construction parameter of the SVM kernel function can not only guarantee the correspondence between the training sample set and the optimal classification surface, but also obtain the maximum classification interval required for intrusion detection. On the other hand, the amount of user information contained in the sample is used as a measure to reduce the sample feature subset by a large margin, which not only reduces the size of the sample calculation, but also improves the training speed of the classifier. Experiments show that the proposed algorithm is superior to the traditional SVM algorithm in intrusion detection system.
【作者單位】： 中國(guó)科學(xué)技術(shù)大學(xué)自動(dòng)化系;中國(guó)人民解放軍保密委員會(huì)技術(shù)安全研究所;
【分類(lèi)號(hào)】：TP393.08

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許勁松,覃俊;一種基于支持向量機(jī)的入侵檢測(cè)模型[J];計(jì)算機(jī)仿真;2005年05期

2 吳鵬;;一種基于計(jì)算機(jī)網(wǎng)絡(luò)的入侵檢測(cè)方法[J];才智;2009年33期

3 霍寶鋒,劉伯瑩,岳兵,謝冰;常見(jiàn)網(wǎng)絡(luò)攻擊方法及其對(duì)策研究[J];計(jì)算機(jī)工程;2002年08期

4 張麗;淺談基于生物免疫原理的計(jì)算機(jī)免疫方法[J];科技情報(bào)開(kāi)發(fā)與經(jīng)濟(jì);2005年21期

5 周英;孫名松;;基于聚類(lèi)的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)模型[J];哈爾濱理工大學(xué)學(xué)報(bào);2007年01期

6 趙曉峰;葉震;;基于加權(quán)多隨機(jī)決策樹(shù)的入侵檢測(cè)模型[J];計(jì)算機(jī)應(yīng)用;2007年05期

7 胡征f ;;一種基于蜜罐技術(shù)的入侵檢測(cè)模型設(shè)計(jì)[J];軟件導(dǎo)刊;2007年07期

8 周偉良;樂(lè)毅;張友華;;基于數(shù)據(jù)挖掘的自適應(yīng)入侵檢測(cè)系統(tǒng)[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年05期

9 孫鑫鴿;趙躍龍;;基于數(shù)據(jù)挖掘的分布式入侵檢測(cè)系統(tǒng)[J];電子技術(shù)應(yīng)用;2008年03期

10 吳輝;謝彥峰;張忠林;;基于模糊擇近原則的入侵檢測(cè)系統(tǒng)[J];蘭州交通大學(xué)學(xué)報(bào);2008年06期

相關(guān)會(huì)議論文 前10條

1 ;A Tool Wear Predictive Model Based on SVM[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

2 ;A CDMA Signal Receiver Based on LS-SVM[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

3 司愛(ài)威;馮輔周;江鵬程;饒國(guó)強(qiáng);王建;;基于可變風(fēng)險(xiǎn)SVM模型的故障識(shí)別方法研究[A];第十屆全國(guó)振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文集（2011）上冊(cè)[C];2011年

4 王紅偉;董慧;;一種提高SVM分類(lèi)精度的調(diào)制信號(hào)識(shí)別方法[A];2010年西南三省一市自動(dòng)化與儀器儀表學(xué)術(shù)年會(huì)論文集[C];2010年

5 ;Improved Particle Swarm Optimized SVM for Short-term Traffic Flow Predication[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

6 宋鑫穎;周志逵;;一種基于SVM的主動(dòng)學(xué)習(xí)文本分類(lèi)方法[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2006年

7 邵杰;葉寧;容亦夏;;基于SVM的多波束測(cè)深數(shù)據(jù)濾波[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

8 于湘濤;周峰;張?zhí)m;魏超;;基于SVM和田口方法的石英撓性加速度計(jì)健壯性設(shè)計(jì)[A];質(zhì)量——持續(xù)發(fā)展的源動(dòng)力：中國(guó)質(zhì)量學(xué)術(shù)與創(chuàng)新論壇論文集（下）[C];2010年

9 ;Adaptive Control of Nonlinear System Based on SVM Online Algorithm[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專(zhuān)業(yè)委員會(huì)D卷[C];2011年

10 張睿;陳雪;馬建文;;基于遞歸SVM的高光譜數(shù)據(jù)特征選擇算法研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

相關(guān)重要報(bào)紙文章 前7條

1 郭濤;利用SVM虛擬化技術(shù)實(shí)現(xiàn)容災(zāi)[N];中國(guó)計(jì)算機(jī)報(bào);2008年

2 本報(bào)記者 韓露;亂軍之中智者勝[N];證券時(shí)報(bào);2000年

3 ;基于網(wǎng)絡(luò)層的存儲(chǔ)虛擬化是主流[N];中國(guó)計(jì)算機(jī)報(bào);2008年

4 語(yǔ)言文字應(yīng)用研究所研究員 馮志偉;漢語(yǔ)拼音是語(yǔ)言信息處理的有效工具[N];光明日?qǐng)?bào);2000年

5 本報(bào)記者 郭平;LSI發(fā)布新存儲(chǔ)虛擬化管理器[N];計(jì)算機(jī)世界;2008年

6 王琨月;存儲(chǔ)虛擬化市場(chǎng)的博弈[N];網(wǎng)絡(luò)世界;2008年

7 劉;LSI Engenio 7900存儲(chǔ)面向中端客戶(hù)[N];電腦商報(bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 楊清;移動(dòng)自組網(wǎng)絡(luò)路由入侵檢測(cè)模型與方法研究[D];武漢理工大學(xué);2009年

2 渠瑜;基于SVM的高不平衡分類(lèi)技術(shù)研究及其在電信業(yè)的應(yīng)用[D];浙江大學(xué);2010年

3 申豐山;樣例權(quán)重估計(jì)及在此基礎(chǔ)上的SVM[D];西安電子科技大學(xué);2011年

4 宋國(guó)明;基于提升小波及SVM優(yōu)化的模擬電路智能故障診斷方法研究[D];電子科技大學(xué);2010年

5 張婧;基于SVM的肺結(jié)節(jié)自動(dòng)識(shí)別方法研究[D];華南理工大學(xué);2011年

6 龍艷花;基于SVM的話(huà)者確認(rèn)關(guān)鍵技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2011年

7 馮愛(ài)霞;氣象要素的信息特征及其在汛期降水預(yù)測(cè)中的應(yīng)用[D];蘭州大學(xué);2012年

8 許敏強(qiáng);基于話(huà)者統(tǒng)計(jì)特征和SVM的文本無(wú)關(guān)話(huà)者確認(rèn)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2011年

9 曹志坤;制冷陳列柜性能仿真SVM方法的研究及應(yīng)用[D];上海交通大學(xué);2010年

10 王金林;基于混沌時(shí)間序列和SVM的入侵檢測(cè)系統(tǒng)研究[D];天津大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 嚴(yán)會(huì)霞;基于SVM的眼動(dòng)軌跡解讀思維狀態(tài)的研究[D];太原理工大學(xué);2010年

2 吳迪;基于SVM分類(lèi)器的分步定位算法研究[D];哈爾濱工業(yè)大學(xué);2010年

3 楊煥;基于Basic-N-Units特征的SVM方法預(yù)測(cè)MicroRNA[D];吉林大學(xué);2010年

4 曾玉祥;盲抽取與SVM方法在地球化學(xué)異常下限提取中的應(yīng)用[D];成都理工大學(xué);2010年

5 曹云生;基于支持向量機(jī)（SVM）的森林生態(tài)系統(tǒng)健康評(píng)價(jià)及預(yù)警[D];河北農(nóng)業(yè)大學(xué);2011年

6 張漢女;基于SVM的海岸線(xiàn)提取方法研究[D];東北師范大學(xué);2010年

7 姚玉;基于GA-SVM算法的細(xì)胞色素酶P450突變預(yù)測(cè)[D];上海交通大學(xué);2011年

8 陳燃燃;基于SVM算法的web分類(lèi)研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2010年

9 陳卓;基于聚類(lèi)和SVM主動(dòng)反饋的圖像檢索方法[D];重慶大學(xué);2010年

10 馮青;基因微陣列數(shù)據(jù)的SVM分類(lèi)器優(yōu)化方法[D];東北師范大學(xué);2010年

，

本文編號(hào)：2376176