入侵檢測是一種主動型的信息安全技術(shù),可以從大量網(wǎng)絡(luò)數(shù)據(jù)中檢測出其中的惡意行為。由于網(wǎng)絡(luò)數(shù)據(jù)的海量性,高效的入侵檢測算法和系統(tǒng)通�？梢苑譃閮刹糠�,一部分為網(wǎng)絡(luò)數(shù)據(jù)的預(yù)處理,實(shí)現(xiàn)對數(shù)據(jù)的清洗,保存數(shù)據(jù)中的有效信息的同時減小數(shù)據(jù)規(guī)模;一部分是數(shù)據(jù)分類算法,對網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分類,區(qū)分正常數(shù)據(jù)和入侵?jǐn)?shù)據(jù)。本文針對預(yù)處理和檢測兩部分進(jìn)行了相關(guān)研究,主要工作有以下三點(diǎn):(1)本文將非負(fù)矩陣分解算法(Non-negativeMatrixFactorization)應(yīng)用于入侵檢測的數(shù)據(jù)降維過程。非負(fù)矩陣分解算法在大規(guī)模數(shù)據(jù)處理和分析中有優(yōu)秀表現(xiàn),被廣泛應(yīng)用于圖片和文字處理中。由于非負(fù)矩陣分解算法得到的分解矩陣元素全部是非負(fù)數(shù),這種思路對于智能數(shù)據(jù)處理和模式識別領(lǐng)域中有重要意義。本文將改進(jìn)后的非負(fù)矩陣分解算法應(yīng)用于入侵檢測的數(shù)據(jù)降維過程中,得到了較好的降維效果。(2)傳統(tǒng)非負(fù)矩陣分解算法(Non-negative Matrix Factorization)存在K值選取困難和初始矩陣隨機(jī)導(dǎo)致的優(yōu)化時間過長的問題,本文將主成分分析算法(Principal Component Analysis)與NMF算法相結(jié)合,...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 本文研究內(nèi)容
2 入侵檢測技術(shù)和系統(tǒng)理論
    2.1 網(wǎng)絡(luò)安全威脅和安全技術(shù)
    2.2 網(wǎng)絡(luò)入侵行為與檢測系統(tǒng)
    2.3 入侵檢測系統(tǒng)分類
    2.4 KDDCup99入侵檢測數(shù)據(jù)集
3 基于非負(fù)矩陣分解算法的入侵檢測數(shù)據(jù)預(yù)處理
    3.1 非負(fù)矩陣分解算法概述
    3.2 PCA算法概述
    3.3 NMF算法的優(yōu)化
    3.4 實(shí)驗(yàn)仿真和結(jié)果分析
        3.4.1 數(shù)據(jù)白化處理
        3.4.2 實(shí)驗(yàn)過程
        3.4.3 實(shí)驗(yàn)結(jié)果分析
    3.5 關(guān)于非負(fù)矩陣分解算法的思考
4 基于改進(jìn)的SVM入侵檢測研究
    4.1 SVM基礎(chǔ)概念
    4.2 半監(jiān)督學(xué)習(xí)與tri-training模型
        4.2.1 半監(jiān)督學(xué)習(xí)
        4.2.2 co-training模型與tri-training模型
    4.3 基于tri-training協(xié)作模型的SVM分類模型優(yōu)化
    4.4 改進(jìn)基于tri-Training的SVM算法迭代性
    4.5 相關(guān)仿真
    4.6 本章小結(jié)
5 總結(jié)與展望
參考文獻(xiàn)
作者簡歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號：4017375