入侵檢測(cè)系統(tǒng)作為網(wǎng)絡(luò)安全防護(hù)的重要手段之一,目前已得到越來(lái)越多的重視。將數(shù)據(jù)挖掘中的算法應(yīng)用到入侵檢測(cè)技術(shù)中是把入侵檢測(cè)系統(tǒng)智能化的重要一步。由于入侵檢測(cè)系統(tǒng)在工作中需要對(duì)被監(jiān)控的網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)采集,這勢(shì)必會(huì)產(chǎn)生海量的網(wǎng)絡(luò)數(shù)據(jù),如何對(duì)這些數(shù)據(jù)進(jìn)行有效的預(yù)處理是保證系統(tǒng)能否正確工作的關(guān)鍵步驟。數(shù)據(jù)的預(yù)處理工作一般由特征提取算法來(lái)完成,其中主成分分析(PCA)和獨(dú)立成分分析(ICA)就是特征提取中運(yùn)用比較廣泛的兩種算法。 文中首先介紹了入侵檢測(cè)系統(tǒng)的發(fā)展現(xiàn)狀以及未來(lái)的發(fā)展趨勢(shì),接著對(duì)KDD Cup99數(shù)據(jù)集進(jìn)行了詳細(xì)描述,用來(lái)說(shuō)明數(shù)據(jù)預(yù)處理在入侵檢測(cè)系統(tǒng)中的重要性,通過(guò)對(duì)PCA和ICA工作原理和計(jì)算方法的分析,給出對(duì)KDD Cup99中的數(shù)據(jù)進(jìn)行特征提取的計(jì)算方法,在實(shí)驗(yàn)部分結(jié)合三種分類(lèi)算法：貝葉斯分類(lèi)器、K-最近鄰和人工神經(jīng)網(wǎng)絡(luò),分別驗(yàn)證了數(shù)據(jù)在進(jìn)行PCA和ICA處理后的分類(lèi)正確率。通過(guò)實(shí)驗(yàn)的詳細(xì)數(shù)據(jù)對(duì)這三種算法在入侵檢測(cè)中的應(yīng)用給出評(píng)價(jià),分析得出在KDD Cup99數(shù)據(jù)集下貝葉斯分類(lèi)器的分類(lèi)效果比較滿(mǎn)意。在實(shí)驗(yàn)的最后提出了一種結(jié)合PCA和ICA的加權(quán)入侵檢測(cè)系統(tǒng)模型,并給出實(shí)驗(yàn)數(shù)據(jù),以說(shuō)...

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景
        1.1.1 網(wǎng)絡(luò)安全現(xiàn)狀
        1.1.2 網(wǎng)絡(luò)安全技術(shù)
    1.2 入侵檢測(cè)的必要性和研究現(xiàn)狀
        1.2.1 入侵檢測(cè)的必要性
        1.2.2 入侵檢測(cè)的研究現(xiàn)狀
    1.3 課題研究?jī)?nèi)容
    1.4 論文的工作和安排
2 入侵檢測(cè)概述
    2.1 入侵檢測(cè)概念
    2.2 入侵檢測(cè)系統(tǒng)結(jié)構(gòu)
    2.3 入侵檢測(cè)系統(tǒng)分類(lèi)
        2.3.1 檢測(cè)技術(shù)
        2.3.2 系統(tǒng)監(jiān)控對(duì)象
    2.4 入侵檢測(cè)系統(tǒng)的問(wèn)題及發(fā)展趨勢(shì)
        2.4.1 入侵檢測(cè)系統(tǒng)的主要問(wèn)題
        2.4.2 入侵檢測(cè)技術(shù)的發(fā)展方向
3 特征提取與選擇算法
    3.1 主成分分析算法
        3.1.1 主成分分析算法原理
        3.1.2 主成分分析算法計(jì)算過(guò)程
    3.2 獨(dú)立成分分析算法
        3.2.1 獨(dú)立成分分析算法簡(jiǎn)介
        3.2.2 獨(dú)立成分分析算法原理
        3.2.3 獨(dú)立成分分析算法實(shí)例
    3.3 主成分分析與獨(dú)立成分分析算法總結(jié)
4 分類(lèi)算法在入侵檢測(cè)系統(tǒng)中的應(yīng)用及分析
    4.1 KDD Cup 99數(shù)據(jù)集簡(jiǎn)介
    4.2 KDD Cup 99數(shù)據(jù)特征描述
    4.3 KDD Cup 99數(shù)據(jù)集樣本類(lèi)別分布表
    4.4 基于主成分分析的數(shù)據(jù)降維分析
    4.5 基于獨(dú)立成分分析的數(shù)據(jù)特征提取
    4.6 各分類(lèi)算法實(shí)驗(yàn)及分析
        4.6.1 貝葉斯分類(lèi)器
        4.6.2 K-最近鄰分類(lèi)算法
        4.6.3 人工神經(jīng)網(wǎng)絡(luò)分類(lèi)算法
        4.6.4 總結(jié)
    4.7 加權(quán)入侵檢測(cè)系統(tǒng)模型
        4.7.1 參數(shù)設(shè)置
        4.7.2 實(shí)驗(yàn)結(jié)果
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)歷、在校期間發(fā)表的學(xué)術(shù)論文
致謝



本文編號(hào)：4004225