如今各種網絡攻擊層出不窮,對個人和企業(yè)乃至國家?guī)砹藝乐氐奈：?網絡入侵檢測方法提供了一種主動的防御措施。隨著人工智能技術的不斷進步,基于機器學習的網絡入侵檢測方法成為學者們的一個研究熱點。目前,基于機器學習的網絡入侵檢測方法存在著如下兩個問題:網絡入侵檢測數據通常是類別不平衡數據,這會導致分類器對少數類攻擊的召回率（recall）低;此外,網絡入侵檢測數據中存在的冗余和不相關的特征會導致網絡入侵檢測的精度（accuracy）下降。針對網絡入侵檢測模型對少數類攻擊的召回率低的問題,本文提出了一種基于簇內樣本平均分類錯誤率的混合采樣算法（Hybrid Sampling Based on Average Classification Error Rate of Samples Within a Cluster,簡稱HSACEC）。該算法定義了“簇內樣本平均分類錯誤率”的概念,對多數類樣本進行聚類后,根據“簇內樣本平均分類錯誤率”采集有代表性的多數類樣本;此外,HSACEC算法采用SMOTE（Synthetic Minority Over-sampling Technique）方法對少數類進... 

【文章來源】：重慶郵電大學重慶市

【文章頁數】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
        1.2.1 基于類別不平衡數據分類的網絡入侵檢測技術研究現狀
        1.2.2 基于特征選擇的網絡入侵檢測技術研究現狀
    1.3 論文研究內容
    1.4 論文章節(jié)安排
第2章 相關知識及技術
    2.1 網絡入侵檢測機制
        2.1.1 基于誤用的網絡入侵檢測
        2.1.2 基于異常的網絡入侵檢測
    2.2 類別不平衡數據的采樣方法
        2.2.1 欠采樣
        2.2.2 過采樣
        2.2.3 混合采樣
    2.3 特征選擇方法
        2.3.1 根據搜索策略劃分特征選擇方法
        2.3.2 根據評價準則劃分特征選擇方法
    2.4 本章小結
第3章 基于HSACEC混合采樣算法的網絡入侵檢測模型
    3.1 引言
    3.2 相關算法和模型
        3.2.1 K-menas算法
        3.2.2 SMOTE算法
        3.2.3 BP神經網絡模型
    3.3 提出的HSACEC算法
        3.3.1 基于簇內樣本平均分類錯誤率的欠采樣
        3.3.2 HSACEC算法
    3.4 .基于HSACEC的網絡入侵檢測模型
    3.5 實驗與分析
        3.5.1 實驗數據與預處理
        3.5.2 評估指標
        3.5.3 對比模型
        3.5.4 實驗參數設置
        3.5.5 實驗結果與分析
    3.6 本章小結
第4章 基于多評價準則特征選擇的網絡入侵檢測模型
    4.1 引言
    4.2 相關算法和原理
        4.2.1 LVW算法
        4.2.2 OVO分解策略
    4.3 提出的LVW-MECO算法
        4.3.1 M-LVW算法
        4.3.2 LVW-MECO算法
    4.4 基于LVW-MECO的網絡入侵檢測模型
    4.5 實驗與分析
        4.5.1 實驗數據與預處理
        4.5.2 評估指標
        4.5.3 對比模型
        4.5.4 實驗參數設置
        4.5.5 實驗結果與分析
    4.6 本章小結
第5章 總結與展望
    5.1 主要工作和創(chuàng)新點
    5.2 未來工作展望
參考文獻
致謝
攻讀碩士學位期間從事的科研工作及取得的成果


【參考文獻】：
期刊論文
[1]特征選擇方法綜述[J]. 李郅琴,杜建強,聶斌,熊旺平,黃燦奕,李歡.  計算機工程與應用. 2019(24)
[2]不平衡分類的數據采樣方法綜述[J]. 劉定祥,喬少杰,張永清,韓楠,魏軍林,張榕珂,黃萍.  重慶理工大學學報(自然科學). 2019(07)
[3]一種改進型的不平衡數據欠采樣算法[J]. 魏力,張育平.  小型微型計算機系統(tǒng). 2019(05)
[4]融合最大相異系數密度的SMOTE算法的入侵檢測方法[J]. 陳虹,肖越,肖成龍,陳建虎.  信息網絡安全. 2019(03)
[5]融合杜鵑搜索的灰狼優(yōu)化算法在網絡入侵檢測特征選擇中的應用[J]. 徐慧,付迎春,劉翔,方策,蘇軍.  工程科學與技術. 2018(05)
[6]基于深度循環(huán)神經網絡和改進SMOTE算法的組合式入侵檢測模型[J]. 燕昺昊,韓國棟.  網絡與信息安全學報. 2018(07)
[7]基于SMOTE和深度信念網絡的異常檢測[J]. 沈學利,覃淑娟.  計算機應用. 2018(07)
[8]基于OVO分解策略的智能卷煙感官評估方法[J]. 張忠良,雒興剛,湯建國,唐加福.  東北大學學報(自然科學版). 2018(01)
[9]不平衡數據分類研究及其應用[J]. 葉楓,丁鋒.  計算機應用與軟件. 2018(01)
[10]一種基于密度的SMOTE方法研究[J]. 王俊紅,段冰倩.  智能系統(tǒng)學報. 2017(06)

碩士論文
[1]人工神經網絡在環(huán)境質量評價和預測中的應用研究[D]. 熊勛.華中科技大學 2009



本文編號：3070563