本文關(guān)鍵詞：基于克隆選擇的檢測算法和檢測器分布研究，由筆耕文化傳播整理發(fā)布。

【摘要】：互聯(lián)網(wǎng)技術(shù)的發(fā)展,正在飛速改變?nèi)藗兊纳盍?xí)慣。雖然它方便了大眾的生活,但是面對個人隱私和交易時,它往往面臨著許多安全問題。生物免疫系統(tǒng)是一個非常高效的自適應(yīng)系統(tǒng),它和入侵系統(tǒng)有著驚人的相似性,因此人們提出一種基于免疫原理的入侵檢測技術(shù),它作為一種非常有效的入侵檢測技術(shù),有著非常大的潛力。目前,免疫入侵檢測技術(shù)已經(jīng)成為網(wǎng)絡(luò)安全領(lǐng)域的研究熱點。本文首先闡述了基于克隆選擇的入侵檢測的國內(nèi)外的研究現(xiàn)狀,雖然關(guān)于克隆選擇的入侵檢測技術(shù)已取得不少成果,但是仍然存在著許多不足。例如克隆選擇算法存在收斂過慢,導(dǎo)致響應(yīng)過慢;在算法后期,會出現(xiàn)乏力的狀態(tài),甚至出現(xiàn)檢測器質(zhì)量下降的情況。針對這些問題,本文采用一種基于疫苗接種和Cauchy變異的思想對克隆選擇算法進行改進,并把改進后的算法引入入侵檢測模型。仿真實驗表明,改進后的算法可以有效地加快收斂速度;在算法后期,仍然可以提高檢測率和降低誤報率。由基于改進的克隆選擇算法生成的檢測器種群,它們的單體檢測率雖然很高,但是檢測器之間存在重復(fù)檢測的問題,即檢測器種群分布不均,對各種入侵行為數(shù)據(jù)的覆蓋率不高。對比現(xiàn)在主流的入侵檢測算法,吸取它們的經(jīng)驗和教訓(xùn),在檢測器種群分布問題上引進SVM支持向量機技術(shù)。SVM分類器可以高效地對檢測器種群進行劃分,讓檢測器在較少數(shù)目下就能達到很高的分布精度。實驗結(jié)果顯示,經(jīng)過SVM分類器分類后的種群,分布更加均勻、分類精度更高。同時,有效的分類可以大大增加空間和資源的利用率。
【關(guān)鍵詞】：入侵檢測 克隆選擇 疫苗接種 Cauchy變異 SVM分類器
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP393.08
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-18
• 1.1 研究背景和意義10-11
• 1.2 國內(nèi)外基于克隆選擇的入侵檢測研究現(xiàn)狀11-16
• 1.2.1 國外研究現(xiàn)狀11-13
• 1.2.2 國內(nèi)研究現(xiàn)狀13-15
• 1.2.3 研究現(xiàn)狀分析15-16
• 1.3 研究的內(nèi)容16-18
• 1.3.1 課題來源16
• 1.3.2 論文內(nèi)容16-17
• 1.3.3 組織結(jié)構(gòu)17-18
• 第2章 相關(guān)理論概念介紹18-23
• 2.1 克隆選擇算法18-20
• 2.1.1 相關(guān)概念介紹18-19
• 2.1.2 克隆選擇算法發(fā)展和步驟19
• 2.1.3 克隆選擇算法的缺陷19-20
• 2.2 檢測器相關(guān)概念和性能定義20-21
• 2.3 支持向量機21
• 2.4 遺傳算法21-22
• 2.5 本章小結(jié)22-23
• 第3章 基于克隆選擇的檢測器生成算法研究23-35
• 3.1 引言23
• 3.2 VC-CSA算法23-28
• 3.2.1 VC-CSA算法思想23
• 3.2.2 算法步驟及解析23-24
• 3.2.3 符號定義24-25
• 3.2.4 疫苗算子25-27
• 3.2.5 柯西(Cauchy)變異27-28
• 3.3 時間復(fù)雜度分析28-29
• 3.4 IDS模型嵌入29
• 3.5 仿真試驗29-34
• 3.5.1 數(shù)據(jù)預(yù)處理30
• 3.5.2 閾值賦值30-31
• 3.5.3 ROC曲線對比分析31-32
• 3.5.4 收斂性對比分析32-34
• 3.6 本章小結(jié)34-35
• 第4章 基于SVM的檢測器分布情況研究35-43
• 4.1 引言35-36
• 4.2 基于遺傳算法的SVM多分類算法36
• 4.2.3 基于遺傳算法的SVM決策樹構(gòu)造算法的缺陷36
• 4.3 基于動態(tài)適應(yīng)度遺傳算法的SVM決策樹生成算法36-40
• 4.3.1 DGA-SVM算法思想37
• 4.3.2 符號和操作定義37-39
• 4.3.3 DGA-SVM算法實現(xiàn)39-40
• 4.4 覆蓋率和重疊率分析40
• 4.5 仿真實驗40-42
• 4.5.1 GA-SVM和DGA-SVM分類精度對比40-41
• 4.5.2 檢測器數(shù)目41-42
• 4.5.3 檢測器分類前后效果對比42
• 4.5.4 實驗小結(jié)42
• 4.6 本章小結(jié)42-43
• 結(jié)論43-44
• 參考文獻44-49
• 攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文49-50
• 致謝50

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐勇;張廣輝;錢鋒;;新克隆選擇法在動力學(xué)參數(shù)估計中的應(yīng)用[J];計算機與應(yīng)用化學(xué);2008年10期

2 羅印升,李人厚,張維璽;一種基于克隆選擇的聚類算法[J];控制與決策;2005年11期

3 洪露;穆志純;;一種新的克隆選擇調(diào)節(jié)算法[J];信息與控制;2007年04期

4 田錫宇;王友仁;崔江;;基于克隆選擇和聚類的模擬電路故障診斷技術(shù)[J];傳感器與微系統(tǒng);2009年04期

5 陳思;張衛(wèi)杰;楊健;宋小全;;基于克隆選擇的雷達抗同型干擾工作序列設(shè)計[J];電波科學(xué)學(xué)報;2011年03期

6 李莉;李洪奇;謝紹龍;李雄炎;;基于克隆選擇的免疫粒子群優(yōu)化算法[J];計算機科學(xué);2008年10期

7 陶新民;劉福榮;劉玉;付丹丹;;定向多尺度變異克隆選擇優(yōu)化算法[J];控制與決策;2011年02期

8 陳乃建;張進華;王孫安;艾長勝;;基于克隆選擇的小世界優(yōu)化算法[J];中南大學(xué)學(xué)報(自然科學(xué)版);2012年08期

9 胡榮華;樓佩煌;唐敦兵;趙鵬;;基于克隆選擇和鄰域搜索的改進陰性選擇算法[J];中國機械工程;2011年09期

10 夏林麗;張著洪;;多模式項目資源配置及其免疫優(yōu)化決策[J];貴州大學(xué)學(xué)報(自然科學(xué)版);2010年04期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 胡選子;謝存禧;;基于克隆選擇的移動機器人路徑規(guī)劃[A];2009年全國開放式分布與并行計算機學(xué)術(shù)會議論文集(上冊)[C];2009年

2 馮艷華;鐘誠;譚運寶;閆鐵;趙艷;;動態(tài)克隆選擇的成熟檢測器進化算法[A];2007年全國開放式分布與并行計算機學(xué)術(shù)會議論文集(下冊)[C];2007年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 胡江強;基于克隆選擇優(yōu)化的船舶航向自適應(yīng)控制[D];大連海事大學(xué);2008年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 王超;基于克隆選擇的檢測算法和檢測器分布研究[D];哈爾濱理工大學(xué);2016年

2 楊秋實;改進的克隆選擇優(yōu)化算法及其應(yīng)用研究[D];長沙理工大學(xué);2008年

3 寧合軍;基于點對稱距離的聚類算法及其應(yīng)用[D];西安電子科技大學(xué);2010年

4 桑志祥;融合克隆選擇的AEA算法及其在約束優(yōu)化問題中的應(yīng)用[D];華東理工大學(xué);2013年

5 秦麗;一類組合膜計算與免疫機制的聚類算法[D];西華大學(xué);2015年

  本文關(guān)鍵詞：基于克隆選擇的檢測算法和檢測器分布研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：506223