本文關鍵詞：基于流形學習和參數(shù)優(yōu)化的SVM入侵檢測算法，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著信息和網(wǎng)絡技術的不斷發(fā)展,在政治、經(jīng)濟、軍事等各種利益的驅動之下,對網(wǎng)絡基礎設施和一些重要的網(wǎng)絡主機的攻擊增長迅速。在攻擊手段不斷翻新的網(wǎng)絡環(huán)境下,傳統(tǒng)的網(wǎng)絡防護措施面臨嚴重挑戰(zhàn)。入侵檢測技術的發(fā)展,使得網(wǎng)絡安全的防護技術向主被動結合的方向發(fā)展,為網(wǎng)絡安全提供了多層次的保護。入侵檢測的數(shù)據(jù)往往具有高維,小樣本和不可分性的特點,傳統(tǒng)的入侵檢測方法檢測率很低,誤報、漏報率高,已經(jīng)不能滿足當前網(wǎng)絡安全的需求。支持向量機是在小樣本學習的基礎發(fā)展起來的分類學習方法,它能夠避免局部最優(yōu)解,克服維數(shù)災難問題,能夠很好的解決小樣本,高維等問題,所以將支持向量機算法應用于入侵檢測在理論和應用中都有重要意義。本文首先介紹了入侵檢測技術研究的背景、意義和進展,詳細闡述了入侵檢測技術原理、支持向量機算法和流形學習算法。在此基礎上,首先,提出了一個基于LE-CV-SVM的入侵檢測算法,此算法先用最大似然估計估計特征的本征維數(shù),再采用流形學習算法把數(shù)據(jù)映射到低維空間,然后利用SVM對數(shù)據(jù)進行分類,用交叉驗證的方法優(yōu)化SVM參數(shù)。經(jīng)過仿真實驗證明,LE-CV-SVM算法在檢測時間和準確率方面效果明顯。其次,提出了一個改進的MDS-GA-SVM的入侵檢測算法,用MDS降低數(shù)據(jù)集的維數(shù),再用改進核函數(shù)的SVM對數(shù)據(jù)集進行分類,然后用遺傳算法優(yōu)化SVM的參數(shù)。此算法改進RBF核函數(shù),并且優(yōu)化SVM以及RBF核函數(shù)的參數(shù)。仿真實驗表明,改進的MDS-GA-SVM算法在前一種算法的基礎之上進一步提高了準確率。
【關鍵詞】：入侵檢測 支持向量機 核函數(shù) 流形學習 交叉驗證 遺傳算法
【學位授予單位】：河北師范大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP393.08
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 1 緒論9-14
• 1.1 研究的背景和意義9-10
• 1.2 國內外研究現(xiàn)狀10-12
• 1.3 本文的組織結構12-14
• 2 入侵檢測技術14-22
• 2.1 引言14
• 2.2 IDS的作用與分類14-18
• 2.3 入侵檢測存在的問題與發(fā)展方向18-20
• 2.4 小結20-22
• 3 支持向量機算法概述22-30
• 3.1 引言22
• 3.2 支持向量機的統(tǒng)計學基礎22-25
• 3.2.1 VC維22
• 3.2.2 泛化誤差的界限22-24
• 3.2.3 結構風險最小化原理24-25
• 3.3 支持向量機25-28
• 3.3.1 最優(yōu)超平面26-27
• 3.3.2 支持向量機及其核函數(shù)27-28
• 3.4 小結28-30
• 4 基于LE CV SVM的入侵檢測算法30-48
• 4.1 引言30
• 4.2 流形學習的預備知識30-38
• 4.2.1 流形學習的現(xiàn)狀31-34
• 4.2.2 流形學習的相關算法34-38
• 4.3 LE CV SVM算法模型38-40
• 4.4 基于LE CV SVM的入侵檢測算法40-42
• 4.4.1 流形學習算法40
• 4.4.2 參數(shù)優(yōu)化的SVM算法40-42
• 4.5 仿真實驗與結果分析42-46
• 4.6 小結46-48
• 5 改進的MDS GA SVM的入侵檢測算法48-59
• 5.1 引言48
• 5.2 改進的MDS GA SVM的入侵檢測算法模型48-50
• 5.3 改進的MDS GA SVM的入侵檢測算法50-54
• 5.3.1 降維算法50-51
• 5.3.2 參數(shù)優(yōu)化的SVM算法以及SVM核函數(shù)的改進51-54
• 5.4 仿真實驗與結果分析54-56
• 5.5 LE CV SVM入侵檢測算法和改進的MDS GA SVM入侵檢測算法的比較56-57
• 5.6 小結57-59
• 結論59-61
• 參考文獻61-64
• 致謝64-66
• 攻讀學位期間取得的科研成果清單66

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 曾憲華;羅四維;;局部保持的流形學習算法對比研究[J];計算機工程與應用;2008年29期

2 劉志勇;;基于保距與保拓撲的流形學習算法[J];長江大學學報(自然科學版)理工卷;2010年02期

3 閆志敏;劉希玉;;流形學習及其算法研究[J];計算機技術與發(fā)展;2011年05期

4 楊海紅;;流形學習中鄰域大小的選擇算法[J];山西煤炭管理干部學院學報;2011年01期

5 周華;蔡超;丁明躍;;基于流形學習和流形高階近似的圖像距離度量[J];華中科技大學學報(自然科學版);2012年03期

6 石陸魁;張軍;宮曉騰;;基于鄰域保持的流形學習算法評價模型[J];計算機應用;2012年09期

7 談超;關佶紅;周水庚;;增量與演化流形學習綜述[J];智能系統(tǒng)學報;2012年05期

8 徐蓉;姜峰;姚鴻勛;;流形學習概述[J];智能系統(tǒng)學報;2006年01期

9 羅四維;趙連偉;;基于譜圖理論的流形學習算法[J];計算機研究與發(fā)展;2006年07期

10 周紅;吳煒;滕奇志;楊曉敏;李e，

本文編號：489527