隨著互聯(lián)網(wǎng)的飛快發(fā)展和普及，各種針對(duì)計(jì)算機(jī)的網(wǎng)絡(luò)入侵行為日漸頻繁。為了有效的遏制這些網(wǎng)絡(luò)入侵行為，在上世紀(jì)80年代初提出了網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)。入侵檢測(cè)系統(tǒng)作為網(wǎng)絡(luò)安全防御系統(tǒng)比較重要的組成部分，它通過(guò)各種機(jī)器學(xué)習(xí)的方法，建立網(wǎng)絡(luò)異常檢測(cè)模型，并將當(dāng)前收集到的網(wǎng)絡(luò)數(shù)據(jù)在模型中進(jìn)行決策，發(fā)現(xiàn)異常并進(jìn)行報(bào)警。到目前為止，為了保護(hù)網(wǎng)絡(luò)安全，概率統(tǒng)計(jì)分析方法、人工神經(jīng)網(wǎng)絡(luò)方法、數(shù)據(jù)挖掘方法、模糊數(shù)學(xué)理論等被提出來(lái)用于網(wǎng)絡(luò)異常檢測(cè)。但是，單一的檢測(cè)方法很難獲得較好的檢測(cè)結(jié)果，限制了入侵檢測(cè)系統(tǒng)在實(shí)際的企業(yè)中大規(guī)模采用。因此本文把改進(jìn)D-S證據(jù)理論和SVM相融合應(yīng)用到網(wǎng)絡(luò)異常行為檢測(cè)模型中。 首先，本文從入侵檢測(cè)的理論知識(shí)入手，綜述了入侵檢測(cè)的相關(guān)概念、產(chǎn)生、發(fā)展、作用、分類和常用的檢測(cè)模型，并闡述了支持向量機(jī)的原理和數(shù)據(jù)融合技術(shù)的思想。支持向量機(jī)采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，在解決高維小樣本表現(xiàn)出天然優(yōu)勢(shì)，能很好的將入侵檢測(cè)問(wèn)題進(jìn)行分類和預(yù)測(cè)。 然后，針對(duì)經(jīng)典D-S算法因不能較好合成高度沖突證據(jù)而會(huì)導(dǎo)致過(guò)高的誤報(bào)率這一問(wèn)題，提出了基于改進(jìn)的加權(quán)D-S證據(jù)組合方法應(yīng)用到網(wǎng)絡(luò)異常行為檢測(cè)中，并融合SVM，將數(shù)...

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題的背景和意義
    1.2 課題研究情況與分析
    1.3 本文研究工作和組織結(jié)構(gòu)
第二章 入侵檢測(cè)
    2.1 入侵檢測(cè)的產(chǎn)生歷史與發(fā)展
    2.2 入侵檢測(cè)的相關(guān)概念
    2.3 入侵檢測(cè)系統(tǒng)
        2.3.1 入侵檢測(cè)的通用基本結(jié)構(gòu)
        2.3.2 入侵檢測(cè)系統(tǒng)的常見(jiàn)模型
    2.4 入侵檢測(cè)的作用和必要性
    2.5 入侵檢測(cè)系統(tǒng)的相關(guān)分類
        2.5.1 按入侵檢測(cè)的檢測(cè)原理分類
        2.5.2 按系統(tǒng)獲取的數(shù)據(jù)來(lái)源分類
        2.5.3 按體系結(jié)構(gòu)的不同分類
        2.5.4 按攻擊的響應(yīng)方式分類
        2.5.5 按時(shí)效性分類
    2.6 目前常見(jiàn)的入侵檢測(cè)方法
    2.7 入侵檢測(cè)系統(tǒng)的發(fā)展方向
第三章 網(wǎng)絡(luò)異常檢測(cè)和數(shù)據(jù)融合
    3.1 網(wǎng)絡(luò)異常檢測(cè)算法
        3.1.1 機(jī)器學(xué)習(xí)
        3.1.2 支持向量機(jī)
    3.2 數(shù)據(jù)融合技術(shù)
        3.2.1 數(shù)據(jù)融合的方法
        3.2.2 數(shù)據(jù)融合技術(shù)的意義
        3.2.3 數(shù)據(jù)融合的發(fā)展方向
第四章 基于擴(kuò)展 D-S 融合 SVM 的異常檢測(cè)模塊設(shè)計(jì)與實(shí)現(xiàn)
    4.1 D-S 證據(jù)理論
        4.1.1 經(jīng)典 D-S 證據(jù)理論
        4.1.2 經(jīng)典證據(jù)理論的缺陷
        4.1.3 組合規(guī)則改進(jìn)
    4.2 基于加權(quán)的 D-S 證據(jù)理論的入侵檢測(cè)模塊的設(shè)計(jì)與實(shí)現(xiàn)
        4.2.1 入侵檢測(cè)模塊流程圖
        4.2.2 數(shù)據(jù)說(shuō)明及分類
        4.2.3 模型說(shuō)明
        4.2.4 SVM 中核函數(shù)的選擇以及參數(shù)
    4.3 仿真實(shí)驗(yàn)
        4.3.1 數(shù)據(jù)集預(yù)處理
        4.3.2 實(shí)驗(yàn)結(jié)果與數(shù)據(jù)
    4.4 本章小結(jié)
第五章 基于 SVM 融合新模型的網(wǎng)絡(luò)異常檢測(cè)
    5.1 支持向量機(jī)核函數(shù)以及參數(shù)的選擇
    5.2 SVM 融合新模型
        5.2.1 SVM 融合模型的設(shè)計(jì)
        5.2.2 SVM 融合檢測(cè)模型的實(shí)現(xiàn)
    5.3 仿真實(shí)驗(yàn)
        5.3.1 實(shí)驗(yàn)環(huán)境
        5.3.2 實(shí)驗(yàn)結(jié)果及分析
    5.4 本章小結(jié)
第六章 主要結(jié)論與展望
致謝
參考文獻(xiàn)
附錄：作者在攻讀碩士學(xué)位期間發(fā)表的論文



本文編號(hào)：3862617