天堂国产午夜亚洲专区-少妇人妻综合久久蜜臀-国产成人户外露出视频在线-国产91传媒一区二区三区

基于多標(biāo)記學(xué)習(xí)與半監(jiān)督聚類的入侵防御技術(shù)研究

發(fā)布時間:2017-05-04 14:08

  本文關(guān)鍵詞:基于多標(biāo)記學(xué)習(xí)與半監(jiān)督聚類的入侵防御技術(shù)研究,,由筆耕文化傳播整理發(fā)布。


【摘要】:網(wǎng)絡(luò)安全問題一直是人們關(guān)注的焦點。常見網(wǎng)絡(luò)安全防護技術(shù)如防火墻、入侵檢測系統(tǒng)等,已無法適應(yīng)目前復(fù)雜的網(wǎng)絡(luò)環(huán)境。因此,入侵防御系統(tǒng)(Intrusion Prevention System,IPS)應(yīng)運而生。IPS的關(guān)鍵技術(shù)是入侵檢測,它綜合了防火墻和入侵檢測系統(tǒng)的優(yōu)點,能深層檢測與分析流經(jīng)的網(wǎng)絡(luò)流量,判斷隱含其中的攻擊行為,及時實施阻斷。以往的入侵檢測算法主要以研究帶有明確、單一語義標(biāo)識的樣本為主。然而,現(xiàn)實網(wǎng)絡(luò)中的樣本往往具有多義性。而多標(biāo)記學(xué)習(xí)可以為樣本顯式地賦予一組合適的類別標(biāo)記,即該樣本具備多個而不再是單一的類別標(biāo)記。目前入侵檢測算法具有檢測率低,誤報率高的不足和誤用檢測的局限,本文將多標(biāo)記學(xué)習(xí)理論應(yīng)用于異常檢測,提出了一種基于多標(biāo)記學(xué)習(xí)的新型入侵檢測算法(SML-KNN),并且構(gòu)建了基于SML-KNN算法的入侵防御模型。SML-KNN算法是對多標(biāo)記學(xué)習(xí)算法ML-KNN的改進。ML-KNN算法的核心是k近鄰(k-Nearest Neighbors,k-NN),在該算法中,k近鄰是一種監(jiān)督學(xué)習(xí)算法。通常情況下,監(jiān)督學(xué)習(xí)中帶有標(biāo)記的數(shù)據(jù)記錄是較難獲取的,無監(jiān)督學(xué)習(xí)事先沒有對訓(xùn)練樣本進行訓(xùn)練,也沒有利用任何監(jiān)督信息,難以建立樣本的特征庫,半監(jiān)督學(xué)習(xí)能夠利用少量的標(biāo)記數(shù)據(jù)和大量的未標(biāo)記數(shù)據(jù)進行學(xué)習(xí)。鑒于半監(jiān)督學(xué)習(xí)的這種優(yōu)勢,本文將基于k近鄰的半監(jiān)督聚類算法應(yīng)用于ML-KNN,提出了面向多標(biāo)記與半監(jiān)督聚類的入侵檢測算法(SML-KNN)。通過實驗仿真可以看出,SML-KNN算法在執(zhí)行速度上得到提高。同時SML-KNN算法入侵檢測性能明顯優(yōu)于基于半監(jiān)督K-均值(SK-Means)和半監(jiān)督模糊K-均值(SFCA)的入侵檢測算法。此外根據(jù)實際網(wǎng)絡(luò)情況,本文選取了一些代表性數(shù)據(jù),并新增portsweep、satan、back、teardrop入侵記錄。然后,與一般智能入侵檢測算法進行了對比分析,實驗結(jié)果表明,SML-KNN算法在保證檢測率的同時,又顯著地降低了入侵檢測系統(tǒng)的誤報率。最后,根據(jù)SML-KNN算法構(gòu)建了一種基于多標(biāo)記學(xué)習(xí)與半監(jiān)督聚類的入侵防御模型,該模型主要由預(yù)處理模塊、檢測模塊和防御模塊三大模塊組成。接著,通過分析防火墻和入侵檢測系統(tǒng)部署的優(yōu)缺點,本文給出了入侵防御系統(tǒng)在實際應(yīng)用中的部署并通過軟件仿真,驗證了此入侵防御模型的可行性。
【關(guān)鍵詞】:入侵防御 入侵檢測 半監(jiān)督學(xué)習(xí) SML-KNN 多標(biāo)記學(xué)習(xí)
【學(xué)位授予單位】:江蘇科技大學(xué)
【學(xué)位級別】:碩士
【學(xué)位授予年份】:2015
【分類號】:TP393.08
【目錄】:
  • 摘要6-8
  • Abstract8-16
  • 第1章 緒論16-22
  • 1.1 研究背景及意義16-18
  • 1.1.1 研究背景16-17
  • 1.1.2 研究意義17-18
  • 1.2 研究狀況18-19
  • 1.3 本文工作19-22
  • 1.3.1 研究內(nèi)容19-20
  • 1.3.2 論文結(jié)構(gòu)安排20-22
  • 第2章 入侵防御系統(tǒng)簡介22-34
  • 2.1 入侵檢測系統(tǒng)22-27
  • 2.1.1 入侵檢測的基本概念22
  • 2.1.2 入侵檢測方法22-26
  • 2.1.3 入侵檢測的作用及基本構(gòu)成26-27
  • 2.1.4 存在問題27
  • 2.2 入侵防御系統(tǒng)27-32
  • 2.2.1 入侵防御系統(tǒng)的概念27-28
  • 2.2.2 入侵防御系統(tǒng)的分類28-29
  • 2.2.3 入侵防御系統(tǒng)的工作原理29-30
  • 2.2.4 入侵防御系統(tǒng)面臨的問題30-31
  • 2.2.5 入侵防御系統(tǒng)發(fā)展趨勢31-32
  • 2.3 入侵防御與入侵檢測系統(tǒng)的區(qū)別32
  • 2.4 本章小結(jié)32-34
  • 第3章 多標(biāo)記學(xué)習(xí)理論基礎(chǔ)34-40
  • 3.1 引言34
  • 3.2 多標(biāo)記學(xué)習(xí)框架34-36
  • 3.2.1 問題定義34-35
  • 3.2.2 評價指標(biāo)35-36
  • 3.3 多標(biāo)記學(xué)習(xí)方法與策略36-38
  • 3.3.1 問題轉(zhuǎn)化法36-37
  • 3.3.2 算法自適應(yīng)方法37-38
  • 3.4 本章小結(jié)38-40
  • 第4章 基于多標(biāo)記學(xué)習(xí)與半監(jiān)督聚類的入侵檢測算法40-56
  • 4.1 機器學(xué)習(xí)概述40-41
  • 4.1.1 監(jiān)督學(xué)習(xí)40
  • 4.1.2 無監(jiān)督學(xué)習(xí)40-41
  • 4.1.3 半監(jiān)督學(xué)習(xí)41
  • 4.2 聚類概述41-44
  • 4.2.1 聚類與模糊聚類簡介41
  • 4.2.2 相似性測度和聚類準(zhǔn)則41-43
  • 4.2.2.1 相似性測度41-43
  • 4.2.2.2 聚類準(zhǔn)則43
  • 4.2.3 聚類的一般步驟43-44
  • 4.3 聚類方法的分類44-48
  • 4.3.1 動態(tài)聚類分析法44-45
  • 4.3.2 K-均值聚類45-46
  • 4.3.3 模糊聚類分析法46
  • 4.3.4 模糊K-均值算法46-48
  • 4.4 半監(jiān)督聚類算法48-52
  • 4.4.1 半監(jiān)督K-均值算法49-50
  • 4.4.2 半監(jiān)督模糊K-均值算法50-51
  • 4.4.3 基于k近鄰的半監(jiān)督算法51-52
  • 4.5 基于ML-KNN入侵檢測算法52-55
  • 4.5.1 ML-KNN算法52-54
  • 4.5.2 基于多標(biāo)記學(xué)習(xí)與半監(jiān)督聚類的入侵檢測算法54-55
  • 4.6 本章小結(jié)55-56
  • 第5章 實驗仿真與結(jié)果分析56-74
  • 5.1 實驗數(shù)據(jù)介紹56-59
  • 5.1.1 攻擊類型56-57
  • 5.1.2 屬性特性簡介57-59
  • 5.2 數(shù)據(jù)預(yù)處理59-62
  • 5.2.1 數(shù)值處理59-61
  • 5.2.2 歸一化61-62
  • 5.3 實驗過程與結(jié)果分析62-72
  • 5.3.1 數(shù)據(jù)的選取與標(biāo)記62-63
  • 5.3.2 仿真結(jié)果與分析63-72
  • 5.3.2.1 實驗一63-68
  • 5.3.2.2 實驗二68-70
  • 5.3.2.3 實驗三70-72
  • 5.4 本章小結(jié)72-74
  • 第6章 基于多標(biāo)記學(xué)習(xí)與半監(jiān)督聚類的入侵防御模型74-84
  • 6.1 系統(tǒng)設(shè)計原則74
  • 6.2 多標(biāo)記與半監(jiān)督學(xué)習(xí)理論引入入侵防御系統(tǒng)74-75
  • 6.3 基于多標(biāo)記學(xué)習(xí)與半監(jiān)督聚類入侵防御系統(tǒng)的整體架構(gòu)設(shè)計75-78
  • 6.3.1 入侵防御結(jié)構(gòu)設(shè)計75-76
  • 6.3.2 模型工作流程76-78
  • 6.4 IPS部署78-80
  • 6.5 系統(tǒng)測試80-82
  • 6.5.1 測試工具介紹80-81
  • 6.5.2 測試結(jié)果81-82
  • 6.6 本章小結(jié)82-84
  • 結(jié)論84-86
  • 論文總結(jié)84-85
  • 工作展望85-86
  • 參考文獻86-90
  • 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文90-92
  • 致謝92

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 王杰;劉亞賓;;基于數(shù)據(jù)挖掘的入侵防御系統(tǒng)研究[J];電子技術(shù)應(yīng)用;2009年01期

2 賈大云;;計算機網(wǎng)絡(luò)安全的現(xiàn)狀和防御技術(shù)[J];硅谷;2014年01期

3 袁利永;王基一;;一種改進的半監(jiān)督K-Means聚類算法[J];計算機工程與科學(xué);2011年06期

4 陳斌;陳松燦;潘志松;李斌;;異常檢測綜述[J];山東大學(xué)學(xué)報(工學(xué)版);2009年06期

5 羅軍生;李永忠;杜曉;;基于模糊C-均值聚類算法的入侵檢測[J];計算機技術(shù)與發(fā)展;2008年01期

6 陳曉峰;王士同;曹蘇群;;半監(jiān)督多標(biāo)記學(xué)習(xí)的基因功能分析[J];智能系統(tǒng)學(xué)報;2008年01期


  本文關(guān)鍵詞:基于多標(biāo)記學(xué)習(xí)與半監(jiān)督聚類的入侵防御技術(shù)研究,由筆耕文化傳播整理發(fā)布。



本文編號:345204

資料下載
論文發(fā)表

本文鏈接:http://sikaile.net/guanlilunwen/ydhl/345204.html


Copyright(c)文論論文網(wǎng)All Rights Reserved | 網(wǎng)站地圖 |

版權(quán)申明:資料由用戶78438***提供,本站僅收錄摘要或目錄,作者需要刪除請E-mail郵箱bigeng88@qq.com