本文關(guān)鍵詞：基于流形學(xué)習(xí)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(luò)技術(shù)的不斷發(fā)展,在政治、經(jīng)濟(jì)、軍事等各種利益的驅(qū)動(dòng)之下,對(duì)網(wǎng)絡(luò)基礎(chǔ)設(shè)施和一些重要的網(wǎng)絡(luò)主機(jī)的攻擊增長迅速。在攻擊手段不斷翻新的網(wǎng)絡(luò)環(huán)境下,傳統(tǒng)的網(wǎng)絡(luò)防護(hù)措施面臨嚴(yán)重挑戰(zhàn)。入侵檢測技術(shù)的發(fā)展,使得網(wǎng)絡(luò)安全的防護(hù)技術(shù)向主被動(dòng)結(jié)合的方向發(fā)展,為網(wǎng)絡(luò)安全提供了多層次的保護(hù)。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(diǎn),傳統(tǒng)的入侵檢測方法檢測率很低,誤報(bào)、漏報(bào)率高,已經(jīng)不能滿足當(dāng)前網(wǎng)絡(luò)安全的需求。支持向量機(jī)是在小樣本學(xué)習(xí)的基礎(chǔ)發(fā)展起來的分類學(xué)習(xí)方法,它能夠避免局部最優(yōu)解,克服維數(shù)災(zāi)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(jī)算法應(yīng)用于入侵檢測在理論和應(yīng)用中都有重要意義。本文首先介紹了入侵檢測技術(shù)研究的背景、意義和進(jìn)展,詳細(xì)闡述了入侵檢測技術(shù)原理、支持向量機(jī)算法和流形學(xué)習(xí)算法。在此基礎(chǔ)上,首先,提出了一個(gè)基于LE-CV-SVM的入侵檢測算法,此算法先用最大似然估計(jì)估計(jì)特征的本征維數(shù),再采用流形學(xué)習(xí)算法把數(shù)據(jù)映射到低維空間,然后利用SVM對(duì)數(shù)據(jù)進(jìn)行分類,用交叉驗(yàn)證的方法優(yōu)化SVM參數(shù)。經(jīng)過仿真實(shí)驗(yàn)證明,LE-CV-SVM算法在檢測時(shí)間和準(zhǔn)確率方面效果明顯。其次,提出了一個(gè)改進(jìn)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(jìn)核函數(shù)的SVM對(duì)數(shù)據(jù)集進(jìn)行分類,然后用遺傳算法優(yōu)化SVM的參數(shù)。此算法改進(jìn)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(shí)驗(yàn)表明,改進(jìn)的MDS-GA-SVM算法在前一種算法的基礎(chǔ)之上進(jìn)一步提高了準(zhǔn)確率。
【關(guān)鍵詞】：入侵檢測 支持向量機(jī) 核函數(shù) 流形學(xué)習(xí) 交叉驗(yàn)證 遺傳算法
【學(xué)位授予單位】：河北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：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(nèi)外研究現(xiàn)狀10-12
• 1.3 本文的組織結(jié)構(gòu)12-14
• 2 入侵檢測技術(shù)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(jié)20-22
• 3 支持向量機(jī)算法概述22-30
• 3.1 引言22
• 3.2 支持向量機(jī)的統(tǒng)計(jì)學(xué)基礎(chǔ)22-25
• 3.2.1 VC維22
• 3.2.2 泛化誤差的界限22-24
• 3.2.3 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理24-25
• 3.3 支持向量機(jī)25-28
• 3.3.1 最優(yōu)超平面26-27
• 3.3.2 支持向量機(jī)及其核函數(shù)27-28
• 3.4 小結(jié)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(xué)習(xí)的預(yù)備知識(shí)30-38
• 4.2.1 流形學(xué)習(xí)的現(xiàn)狀31-34
• 4.2.2 流形學(xué)習(xí)的相關(guān)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(xué)習(xí)算法40
• 4.4.2 參數(shù)優(yōu)化的SVM算法40-42
• 4.5 仿真實(shí)驗(yàn)與結(jié)果分析42-46
• 4.6 小結(jié)46-48
• 5 改進(jìn)的MDS GA SVM的入侵檢測算法48-59
• 5.1 引言48
• 5.2 改進(jìn)的MDS GA SVM的入侵檢測算法模型48-50
• 5.3 改進(jìn)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(jìn)51-54
• 5.4 仿真實(shí)驗(yàn)與結(jié)果分析54-56
• 5.5 LE CV SVM入侵檢測算法和改進(jìn)的MDS GA SVM入侵檢測算法的比較56-57
• 5.6 小結(jié)57-59
• 結(jié)論59-61
• 參考文獻(xiàn)61-64
• 致謝64-66
• 攻讀學(xué)位期間取得的科研成果清單66

【相似文獻(xiàn)】

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(xué)習(xí)算法對(duì)比研究[J];計(jì)算機(jī)工程與應(yīng)用;2008年29期

2 劉志勇;;基于保距與保拓?fù)涞牧餍螌W(xué)習(xí)算法[J];長江大學(xué)學(xué)報(bào)(自然科學(xué)版)理工卷;2010年02期

3 閆志敏;劉希玉;;流形學(xué)習(xí)及其算法研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2011年05期

4 楊海紅;;流形學(xué)習(xí)中鄰域大小的選擇算法[J];山西煤炭管理干部學(xué)院學(xué)報(bào);2011年01期

5 周華;蔡超;丁明躍;;基于流形學(xué)習(xí)和流形高階近似的圖像距離度量[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 石陸魁;張軍;宮曉騰;;基于鄰域保持的流形學(xué)習(xí)算法評(píng)價(jià)模型[J];計(jì)算機(jī)應(yīng)用;2012年09期

7 談超;關(guān)佶紅;周水庚;;增量與演化流形學(xué)習(xí)綜述[J];智能系統(tǒng)學(xué)報(bào);2012年05期

8 徐蓉;姜峰;姚鴻勛;;流形學(xué)習(xí)概述[J];智能系統(tǒng)學(xué)報(bào);2006年01期

9 羅四維;趙連偉;;基于譜圖理論的流形學(xué)習(xí)算法[J];計(jì)算機(jī)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(hào)：489527