【摘要】：在傳統(tǒng)基于SVM的入侵檢測中,核函數(shù)構(gòu)造和特征選擇采用先驗知識,普遍存在準確度不高、效率低下的問題。通過信息熵理論與SVM算法相結(jié)合的方法改進為基于信息熵的SVM入侵檢測算法,可以提高入侵檢測的準確性,提升入侵檢測的效率。基于信息熵的SVM入侵檢測算法包括兩個方面:一方面,根據(jù)樣本包含的用戶信息熵和方差,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),既可保證訓練樣本集與最優(yōu)分類面之間的對應關系,又可得到入侵檢測需要的最大分類間隔;另一方面,將樣本包含的用戶信息量作為度量大幅度約簡樣本特征子集,不但降低了樣本計算規(guī)模,而且提高了分類器的訓練速度。實驗表明,該算法在入侵檢測系統(tǒng)中的應用優(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】： 中國科學技術大學自動化系;中國人民解放軍保密委員會技術安全研究所;
【分類號】：TP393.08

【相似文獻】

相關期刊論文 前10條

1 許勁松,覃俊;一種基于支持向量機的入侵檢測模型[J];計算機仿真;2005年05期

2 吳鵬;;一種基于計算機網(wǎng)絡的入侵檢測方法[J];才智;2009年33期

3 霍寶鋒,劉伯瑩,岳兵,謝冰;常見網(wǎng)絡攻擊方法及其對策研究[J];計算機工程;2002年08期

4 張麗;淺談基于生物免疫原理的計算機免疫方法[J];科技情報開發(fā)與經(jīng)濟;2005年21期

5 周英;孫名松;;基于聚類的網(wǎng)絡入侵檢測系統(tǒng)模型[J];哈爾濱理工大學學報;2007年01期

6 趙曉峰;葉震;;基于加權多隨機決策樹的入侵檢測模型[J];計算機應用;2007年05期

7 胡征f ;;一種基于蜜罐技術的入侵檢測模型設計[J];軟件導刊;2007年07期

8 周偉良;樂毅;張友華;;基于數(shù)據(jù)挖掘的自適應入侵檢測系統(tǒng)[J];合肥工業(yè)大學學報(自然科學版);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系統(tǒng)[J];電子技術應用;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系統(tǒng)[J];蘭州交通大學學報;2008年06期

相關會議論文 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];第二十六屆中國控制會議論文集[C];2007年

3 司愛威;馮輔周;江鵬程;饒國強;王建;;基于可變風險SVM模型的故障識別方法研究[A];第十屆全國振動理論及應用學術會議論文集（2011）上冊[C];2011年

4 王紅偉;董慧;;一種提高SVM分類精度的調(diào)制信號識別方法[A];2010年西南三省一市自動化與儀器儀表學術年會論文集[C];2010年

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

6 宋鑫穎;周志逵;;一種基于SVM的主動學習文本分類方法[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2006年

7 邵杰;葉寧;容亦夏;;基于SVM的多波束測深數(shù)據(jù)濾波[A];第二十九屆中國控制會議論文集[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健壯性設計[A];質(zhì)量——持續(xù)發(fā)展的源動力：中國質(zhì)量學術與創(chuàng)新論壇論文集（下）[C];2010年

9 ;Adaptive Control of Nonlinear System Based on SVM Online Algorithm[A];中國自動化學會控制理論專業(yè)委員會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與應用研討會暨交叉學科論壇文集[C];2010年

相關重要報紙文章 前7條

1 郭濤;利用SVM虛擬化技術實現(xiàn)容災[N];中國計算機報;2008年

2 本報記者 韓露;亂軍之中智者勝[N];證券時報;2000年

3 ;基于網(wǎng)絡層的存儲虛擬化是主流[N];中國計算機報;2008年

4 語言文字應用研究所研究員 馮志偉;漢語拼音是語言信息處理的有效工具[N];光明日報;2000年

5 本報記者 郭平;LSI發(fā)布新存儲虛擬化管理器[N];計算機世界;2008年

6 王琨月;存儲虛擬化市場的博弈[N];網(wǎng)絡世界;2008年

7 劉;LSI Engenio 7900存儲面向中端客戶[N];電腦商報;2008年

相關博士學位論文 前10條

1 楊清;移動自組網(wǎng)絡路由入侵檢測模型與方法研究[D];武漢理工大學;2009年

2 渠瑜;基于SVM的高不平衡分類技術研究及其在電信業(yè)的應用[D];浙江大學;2010年

3 申豐山;樣例權重估計及在此基礎上的SVM[D];西安電子科技大學;2011年

4 宋國明;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;2010年

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

6 龍艷花;基于SVM的話者確認關鍵技術研究[D];中國科學技術大學;2011年

7 馮愛霞;氣象要素的信息特征及其在汛期降水預測中的應用[D];蘭州大學;2012年

8 許敏強;基于話者統(tǒng)計特征和SVM的文本無關話者確認研究[D];中國科學技術大學;2011年

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

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

相關碩士學位論文 前10條

1 嚴會霞;基于SVM的眼動軌跡解讀思維狀態(tài)的研究[D];太原理工大學;2010年

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

3 楊煥;基于Basic-N-Units特征的SVM方法預測MicroRNA[D];吉林大學;2010年

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

5 曹云生;基于支持向量機（SVM）的森林生態(tài)系統(tǒng)健康評價及預警[D];河北農(nóng)業(yè)大學;2011年

6 張漢女;基于SVM的海岸線提取方法研究[D];東北師范大學;2010年

7 姚玉;基于GA-SVM算法的細胞色素酶P450突變預測[D];上海交通大學;2011年

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

9 陳卓;基于聚類和SVM主動反饋的圖像檢索方法[D];重慶大學;2010年

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

，

本文編號：2376176