隨著網絡技術的發(fā)展,網絡安全問題日益突出,異常流量檢測這一領域也受到了廣大科研工作者的關注。現有研究成果非常多,諸如利用自相似法、數據挖掘理論、統計模型等方法進行了這方面的研究工作。本文也是針對異常流量檢測這一點進行深入研究。支持向量機是上世紀九十年代提出的一種基于統計學習理論的算法。它是基于結構風險最小化、VC維理論提出的,能夠處理小樣本數據,具有泛化能力好等優(yōu)點,廣泛應用于模式識別、回歸估計等各個領域。本文也是利用支持向量機來解決異常流量檢測這一問題。本文設計了基于CIDF通用框架的基于支持向量機的網絡異常流量檢測系統,將支持向量機用于系統的核心——事件分析器,分析了其可行性和構造多類別支持向量機的構造方法,還詳細闡述了各個組件的功能和數據交互流程。異常流量的數據本身數據維數較高,使用基于信息熵的特征選擇算法,提取重要特征和去除冗余特征,降低了維度。通過對比實驗,驗證了算法的正確性,在檢測精度幾乎不變的前提下,大幅縮短了訓練和檢測時間。核函數及其參數的選擇始終是支持向量機的核心的問題,本文通過對比實驗發(fā)現RBF核函數更適合于異常流量檢測問題,并理論分析了BRF函數的優(yōu)勢。本文還圍繞... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 網絡異常檢測的研究現狀
    1.3 支持向量機的研究現狀
    1.4 論文工作內容和組織結構
第二章 支持向量機算法概述
    2.1 統計學習理論概述
        2.1.1 經驗風險最小化原則
        2.1.2 學習過程的一致性及其條件
        2.1.3 VC維
        2.1.4 結構風險最小化原則
    2.2 支持向量機概述
        2.2.1 最大邊緣超平面
        2.2.2 線性可分問題
        2.2.3 支持向量
        2.2.4 非線性可分問題
        2.2.5 核函數
    2.3 支持向量機的變形算法簡介
        2.3.1 C-SVM
        2.3.2 BSVC
        2.3.3 LS-SVM
        2.3.4 PSVC
        2.3.5 v-SVM
    2.4 本章小結
第三章 基于支持向量機的網絡異常流量檢測系統設計
    3.1 入侵檢測系統概述
        3.1.1 入侵檢測系統的基本架構
        3.1.2 入侵檢測系統的分類
        3.1.3 入侵檢測系統的研究特征
    3.2 多分類支持向量機的檢測方法
        3.2.1 應用支持向量機的可行性分析
        3.2.2 多分類支持向量機的構造方法
    3.3 檢測系統架構
        3.3.1 總體架構及流程
        3.3.2 各組件詳細說明
    3.4 本章小結
第四章 基于信息熵的特征選擇研究
    4.1 特征選擇理論研究
        4.1.1 研究現狀
        4.1.2 信息熵以及熵的估計
        4.1.3 基于信息熵的特征選擇算法研究
    4.2 實驗數據
        4.2.1 數據說明
        4.2.2 數據預處理
    4.3 實驗比較
    4.4 本章小結
第五章 基于核函數的異常流量檢測研究
    5.1 基于核函數的對比實驗
        5.1.1 核函數的選擇
        5.1.2 參數的選擇
        5.1.3 分析RBF核函數的優(yōu)勢
    5.2 核函數的研究
        5.2.1 核函數基本性質和構造核函數
        5.2.2 改進RBF核函數
    5.3 基于改進核函數的對比實驗
    5.4 本章小章
第六章 總結與展望
    6.1 全文總結
    6.2 展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文


【參考文獻】：
期刊論文
[1]特征選擇方法綜述[J]. 姚旭,王曉丹,張玉璽,權文.  控制與決策. 2012(02)
[2]一種基于Filter與Wrapper模型的網絡流量特征選擇方法[J]. 鄧河,嚴志.  長沙民政職業(yè)技術學院學報. 2011(02)
[3]適合于入侵檢測的分步特征選擇算法[J]. 肖立中,劉云翔.  計算機工程與應用. 2010(11)
[4]基于信息熵的流量識別方法[J]. 吳震,劉興彬,童曉民.  計算機工程. 2009(20)
[5]特征選擇中信息熵的應用[J]. 李楊寰,高峰,李騰,周智敏.  計算機工程與應用. 2009(15)
[6]基于聚類和支持向量機的入侵檢測研究[J]. 倪霖,鄭洪英.  計算機應用. 2007(10)
[7]基于小波的網絡流量分解模型[J]. 程光,龔儉,丁偉.  小型微型計算機系統. 2005(03)
[8]模糊多類SVM模型[J]. 李昆侖,黃厚寬,田盛豐.  電子學報. 2004(05)
[9]遺傳算法在基于網絡異常的入侵檢測中的應用[J]. 張鳳斌,楊永田,江子揚.  電子學報. 2004(05)
[10]淺談入侵檢測技術[J]. 趙玉娟,郭曉君,張浩軍.  鄭州工業(yè)高等專科學校學報. 2003(01)

博士論文
[1]半監(jiān)督支持向量機學習算法研究[D]. 趙瑩.哈爾濱工程大學 2010
[2]支持向量機的增量學習算法研究[D]. 段華.上海交通大學 2008
[3]基于模式識別的入侵檢測關鍵技術研究[D]. 朱永宣.北京郵電大學 2006
[4]支持向量機學習算法研究[D]. 李忠偉.哈爾濱工程大學 2006

碩士論文
[1]網絡異常流量檢測模型設計與實現[D]. 張瑞.北京郵電大學 2008
[2]基于支持向量機的網絡攻擊檢測研究[D]. 饒藍.南京理工大學 2007
[3]基于多Agent的網絡入侵檢測系統的研究[D]. 雷雁.南京信息工程大學 2005



本文編號：3011402