快速發(fā)展的計算機網(wǎng)絡(luò)在給人們帶來便利的同時,也因為各種各樣異常流的出現(xiàn),給人們帶來安全上的困擾。而當前針對網(wǎng)絡(luò)異常流的各種檢測系統(tǒng)都或多或少存在瑕疵,如最常見的入侵檢測系統(tǒng)（IDS）。市場化的IDS由于缺乏自學(xué)習(xí)的能力,開發(fā)和維護人員不得不實時的更新系統(tǒng)的病毒庫,才能使系統(tǒng)正常的工作。隨著近幾年機器學(xué)習(xí)和數(shù)據(jù)挖掘的出現(xiàn),網(wǎng)絡(luò)異常流的檢測出現(xiàn)了新的思路和方法。網(wǎng)絡(luò)異常流的攻擊特性,使得其在流量特征上必然與正常網(wǎng)絡(luò)流存在或多或少的差異,而這些差異可以使用機器學(xué)習(xí)挖掘出來的模式和規(guī)則來表示。當前各種使用機器學(xué)習(xí)進行的異常流檢測研究和實驗不斷出現(xiàn),而且大都取得了良好的效果。但由于網(wǎng)絡(luò)異常流的復(fù)雜性和多樣性,這些研究和實驗仍然存在諸多問題；比如一些實驗需要大量的訓(xùn)練樣本才能有效；而另一些實驗仍然存在很高的漏報率或誤報率；因此對基于機器學(xué)習(xí)的異常流檢測方法的研究仍然有很長的路要走。本論文通過對決策樹分類算法、隨機森林和AdaBoost分類算法進行深入的研究；在AdaBoost算法的基礎(chǔ)上通過引入隨機森林的多決策樹投票機制,提出了以C4.5決策樹為核心的基于AdaBoost強分類器群（簡稱AdaBo... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 論文研究背景與研究意義
    1.2 國內(nèi)外對異常流檢測的研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容與結(jié)構(gòu)
第二章 相關(guān)理論及基礎(chǔ)算法研究
    2.1 信息增益和信息增益率
    2.2 決策樹分類算法分析
        2.2.1 決策樹算法概述
        2.2.2 分裂屬性選擇
        2.2.3 常見的幾種決策樹分類算法
    2.3 Boosting算法研究
    2.4 AdaBoost分類算法研究
        2.4.1 AdaBoost算法概述
        2.4.2 AdaBoost分類器構(gòu)建過程
    2.5 隨機森林算法研究
        2.5.1 隨機森林概述
        2.5.2 隨機森林的泛化誤差估計
        2.5.3 隨機森林的特點
    2.6 本章小結(jié)
第三章 基于AdaBoost群_C4.5的網(wǎng)絡(luò)異常流檢測算法
    3.1 網(wǎng)絡(luò)數(shù)據(jù)流分析
        3.1.1 正常流的傳輸特征
        3.1.2 異常流的傳輸特征
        3.1.3 正常流與異常流對比
        3.1.4 網(wǎng)絡(luò)流屬性數(shù)據(jù)提取
    3.2 AdaBoost群_C4.5算法設(shè)計
        3.2.1 算法思想
        3.2.2 算法的輸入的處理
        3.2.3 算法性能分析
    3.3 基于AdaBoost群_C4.5的異常流檢測實現(xiàn)步驟
    3.4 本章小結(jié)
第四章 異常流檢測原型系統(tǒng)的設(shè)計與實現(xiàn)
    4.1 異常流檢測原型系統(tǒng)設(shè)計
        4.1.1 系統(tǒng)模型設(shè)計
        4.1.2 數(shù)據(jù)庫存儲設(shè)計
        4.1.3 數(shù)據(jù)結(jié)構(gòu)設(shè)計
    4.2 仿真與數(shù)據(jù)提取模塊
    4.3 數(shù)據(jù)預(yù)處理模塊
        4.3.1 字符串類型的數(shù)值化處理
    4.4 樣本集和屬性集的劃分模塊
    4.5 屬性離散化模塊
    4.6 AdaBoost構(gòu)造模塊
        4.6.1 弱分類器的構(gòu)造
    4.7 異常流判定模塊
    4.8 本章小結(jié)
第五章 實驗與分析
    5.1 實驗環(huán)境搭建
    5.2 實驗數(shù)據(jù)
    5.3 實驗結(jié)果分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 工作展望
致謝
參考文獻


【參考文獻】：
期刊論文
[1]相關(guān)向量機分類方法的研究進展與分析[J]. 趙春暉,張燚.  智能系統(tǒng)學(xué)報. 2012(04)
[2]基于決策樹的網(wǎng)絡(luò)流量異常分析與檢測[J]. 李強,嚴承華,朱瑤.  計算機工程. 2012(05)
[3]隨機森林方法研究綜述[J]. 方匡南,吳見彬,朱建平,謝邦昌.  統(tǒng)計與信息論壇. 2011(03)
[4]入侵檢測數(shù)據(jù)集KDD CUP99研究[J]. 張新有,曾華燊,賈磊.  計算機工程與設(shè)計. 2010(22)
[5]基于流量信息結(jié)構(gòu)的異常檢測[J]. 朱應(yīng)武,楊家海,張金祥.  軟件學(xué)報. 2010(10)
[6]用于分類的隨機森林和Bagging分類樹比較[J]. 馬景義,謝邦昌.  統(tǒng)計與信息論壇. 2010(10)
[7]連續(xù)型Adaboost算法研究[J]. 嚴超,王元慶.  計算機科學(xué). 2010(09)
[8]學(xué)習(xí)算法的穩(wěn)定性與泛化:一種新的穩(wěn)定性框架[J]. 張海,徐宗本.  數(shù)學(xué)學(xué)報. 2009(03)
[9]基于機器學(xué)習(xí)方法的入侵檢測技術(shù)的研究[J]. 鄧安遠.  計算機科學(xué). 2008(01)
[10]一種基于統(tǒng)計的網(wǎng)絡(luò)流量異常檢測方法[J]. 崔偉蘭,尹遜偉,程永強.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2008(01)

博士論文
[1]基于統(tǒng)計機器學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測分類研究[D]. 鄭凱梅.中國礦業(yè)大學(xué)（北京） 2010
[2]樸素貝葉斯分類器及其改進算法研究[D]. 蔣良孝.中國地質(zhì)大學(xué) 2009
[3]基于網(wǎng)絡(luò)行為的蠕蟲檢測關(guān)鍵技術(shù)研究[D]. 肖楓濤.國防科學(xué)技術(shù)大學(xué) 2009
[4]模糊分類模型的研究[D]. 陽愛民.復(fù)旦大學(xué) 2005

碩士論文
[1]基于AdaBoost算法的人臉檢測研究[D]. 王英明.南京理工大學(xué) 2008



本文編號：3402144