面對非平衡的網(wǎng)絡(luò)行為數(shù)據(jù),單步檢測方法難以高效準(zhǔn)確地檢測全部類別的網(wǎng)絡(luò)行為.為提升網(wǎng)絡(luò)入侵類別的檢測能力,提出多步式聚類檢測思路.首先,基于SVM-KNN算法改進(jìn)Fisher評分方法,約簡數(shù)據(jù)集維度,提高評分準(zhǔn)確度.針對DBSCAN聚類需要人為設(shè)定參數(shù)的不足,將拐點(diǎn)半徑概念引入聚類算法中,提出基于數(shù)據(jù)密度分布的自適應(yīng)設(shè)參算法.然后,基于改進(jìn)Fisher評分確定多步檢測順序,通過多步聚類減少大類數(shù)據(jù)占比,使非平衡數(shù)據(jù)均衡化,進(jìn)而實(shí)現(xiàn)對非平衡網(wǎng)絡(luò)行為數(shù)據(jù)的全類別準(zhǔn)確檢測.多步式檢測通過NSL-KDD數(shù)據(jù)集予以實(shí)驗(yàn)驗(yàn)證,實(shí)驗(yàn)結(jié)果表明該方法具有穩(wěn)定的檢測效果,各種類別的網(wǎng)絡(luò)入侵均可被良好檢測,特別是在罕見攻擊類別U2R方面,準(zhǔn)確率明顯優(yōu)于其他單步檢測算法.

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 數(shù)據(jù)集確定及特征處理
    2.1 轉(zhuǎn)化文字型特征值
    2.2 基于改進(jìn)Fisher評分進(jìn)行維度評分
    2.3 代表性維度按比例賦予權(quán)重
3 DBSCAN聚類算法的改進(jìn)
    3.1 改進(jìn)基本思路
    3.2 聚類參數(shù)的計(jì)算
    3.3 具體聚類步驟
4 多步式網(wǎng)絡(luò)入侵類別檢測
    4.1 基于Fisher評分確定多步檢測順序
    4.2 多步式網(wǎng)絡(luò)入侵類別檢測流程
5 實(shí)驗(yàn)結(jié)果分析
    5.1 評估指標(biāo)
    5.2 Fisher評分篩選的代表性維度
    5.3 聚類結(jié)果及分析
6 結(jié)語



本文編號：3822835