本文關(guān)鍵詞：基于變精度粗糙集的入侵檢測技術(shù)研究

  更多相關(guān)文章： 入侵檢測 支持向量機(jī) 粗糙集 變精度粗糙集 屬性約簡

【摘要】：隨著信息通信技術(shù)與經(jīng)濟(jì)、工業(yè)等領(lǐng)域的融合,相應(yīng)的網(wǎng)絡(luò)安全管理問題也日益凸顯,給安全問題帶來了新的挑戰(zhàn)。入侵檢測作為對數(shù)據(jù)進(jìn)行安全保護(hù)的一種技術(shù)就顯得尤其重要。傳統(tǒng)的入侵檢測系統(tǒng)存在檢測率低,實(shí)時(shí)性差,漏報(bào)率和誤報(bào)率高等問題,不能滿足人們對安全的需求,而且需要大量的先驗(yàn)知識(shí)來獲取經(jīng)驗(yàn)構(gòu)造模型才可以取得相對滿意的檢測性能。所以,對于研究不需要先驗(yàn)知識(shí)和樣本量少的入侵檢測方法具有重要的現(xiàn)實(shí)意義。入侵檢測的過程也是區(qū)分正常行為和異常行為的過程,支持向量機(jī)是作為在一定程度上尋求最優(yōu)二分類器的一種技術(shù),對于解決有限小樣本、非線性及高維模式識(shí)別中具有很多獨(dú)特的優(yōu)勢,成功應(yīng)用到機(jī)器學(xué)習(xí)等其他領(lǐng)域中。所以本文在入侵檢測中引入支持向量機(jī)。入侵行為中包含很多屬性,如果直接作為訓(xùn)練樣本,就會(huì)耗時(shí)很長。當(dāng)然其中并不是所有的屬性都是必不可少的,還有些特征是不精確的,粗糙集理論正是對處理這些不確定、不精確的數(shù)據(jù)方面具有優(yōu)勢,變精度粗糙集又克服了粗糙集對數(shù)據(jù)敏感的缺點(diǎn)。所以變精度粗糙集對屬性進(jìn)行約簡有更好的優(yōu)勢。本文將變精度粗糙集屬性約簡和支持向量機(jī)的分類能力相結(jié)合應(yīng)用在入侵檢測中。在公共入侵檢測框架的基礎(chǔ)上,提出了基于變精度粗糙集和支持向量機(jī)的入侵檢測模型,并對模型中的各個(gè)模塊進(jìn)行分析和探討。采用KDDCUP99數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),分別和其他檢測方法進(jìn)行比較,實(shí)驗(yàn)結(jié)果表明,本文的檢測方法和其他方法在檢測正確率方面略高,但是漏報(bào)率相對較低。使用的變精度粗糙集約簡算法處理數(shù)據(jù),減少了數(shù)據(jù)存儲(chǔ)量,使分類的訓(xùn)練時(shí)間縮短,入侵檢測系統(tǒng)的實(shí)時(shí)性提高了。
【關(guān)鍵詞】：入侵檢測 支持向量機(jī) 粗糙集 變精度粗糙集 屬性約簡
【學(xué)位授予單位】：湖南科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP393.08;TP18
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 緒論9-13
• 1.1 引言9-11
• 1.2 研究背景11
• 1.3 研究意義11-12
• 1.4 本文的組織結(jié)構(gòu)12-13
• 第二章 入侵檢測概述13-21
• 2.1 入侵檢測技術(shù)概述13-14
• 2.2 國內(nèi)外研究現(xiàn)狀14
• 2.3 入侵檢測研究內(nèi)容14-15
• 2.4 入侵檢測技術(shù)分類15-19
• 2.4.1 根據(jù)入侵檢測機(jī)理分類15-18
• 2.4.2 入侵檢測系統(tǒng)性能指標(biāo)18-19
• 2.5 入侵檢測系統(tǒng)的產(chǎn)品介紹19
• 2.6 入侵檢測發(fā)展趨勢19-20
• 2.7 本章小結(jié)20-21
• 第三章 變精度粗糙集與支持向量機(jī)理論21-29
• 3.1 粗糙集基本知識(shí)21-24
• 3.1.1 信息系統(tǒng)21
• 3.1.2 不可分辨關(guān)系21-22
• 3.1.3 粗糙集的上下近似集22-23
• 3.1.4 邊界區(qū)域和粗糙集23-24
• 3.1.5 知識(shí)約簡24
• 3.2 變精度粗糙集基本概念24-25
• 3.2.1 可變精度粗糙集的正域、負(fù)域和邊界域24-25
• 3.2.2 VPRS的屬性約簡25
• 3.3 支持向量機(jī)基本知識(shí)25-28
• 3.4 本章小結(jié)28-29
• 第四章 變精度粗糙集在入侵檢測中的實(shí)現(xiàn)29-35
• 4.1 基于VPRS入侵檢測研究29-32
• 4.1.1 VPRS入侵檢測模型29
• 4.1.2 VPRS模型分步流程29-32
• 4.2 基于VPRSSVM的入侵檢測研究32-34
• 4.2.1 VPRSSVM的入侵檢測模型32-33
• 4.2.2 VPRSSVM模型分步流程33-34
• 4.3 本章小結(jié)34-35
• 第五章 實(shí)驗(yàn)測試和分析35-51
• 5.1 入侵檢測性能指標(biāo)35
• 5.2 入侵檢測流程圖35-36
• 5.3 數(shù)據(jù)集介紹36-40
• 5.4 實(shí)驗(yàn)使用數(shù)據(jù)40-41
• 5.5 基于VPRS的入侵檢測實(shí)驗(yàn)41-46
• 5.5.1 數(shù)據(jù)離散化41-42
• 5.5.2 VPRS屬性約簡42-44
• 5.5.3 生成規(guī)則44-45
• 5.5.4 實(shí)驗(yàn)結(jié)果和分析45-46
• 5.6 基于VPRSSVM入侵檢測的實(shí)驗(yàn)46-50
• 5.6.1 數(shù)據(jù)離散化46-47
• 5.6.2 屬性約簡47
• 5.6.3 實(shí)驗(yàn)結(jié)果比較和分析47-50
• 5.7 本章小結(jié)50-51
• 第六章 總結(jié)與展望51-53
• 6.1 總結(jié)51-52
• 6.2 展望52-53
• 參考文獻(xiàn)53-56
• 致謝56

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 朱廣新;Lin Wanping;;懲罰性賠償制度的演進(jìn)與適用（英文）[J];Social Sciences in China;2015年01期

2 梁建營;;基于Snort的網(wǎng)絡(luò)入侵防御探究[J];信息安全與技術(shù);2015年02期

3 姜雪;盧文喜;楊青春;趙海卿;;應(yīng)用支持向量機(jī)評價(jià)土壤環(huán)境質(zhì)量[J];中國環(huán)境科學(xué);2014年05期

4 楊雅輝;黃海珍;沈晴霓;吳中海;張英;;基于增量式GHSOM神經(jīng)網(wǎng)絡(luò)模型的入侵檢測研究[J];計(jì)算機(jī)學(xué)報(bào);2014年05期

5 陳行;陶軍;張建德;;基于變精度粗糙集的入侵檢測研究[J];青島科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年02期

6 王輝;陳泓予;劉淑芬;;基于改進(jìn)樸素貝葉斯算法的入侵檢測系統(tǒng)[J];計(jì)算機(jī)科學(xué);2014年04期

7 丁健;;淺談網(wǎng)絡(luò)安全技術(shù)與管理[J];計(jì)算機(jī)安全;2013年12期

8 張漢奎;黃波;俞樂;;SVM-RFE高光譜數(shù)據(jù)波段選擇中核函數(shù)的研究[J];遙感技術(shù)與應(yīng)用;2013年05期

9 聶盼盼;臧洌;劉雷雷;;基于對支持向量機(jī)的多類分類算法在入侵檢測中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2013年02期

10 陳昊;楊俊安;莊鎮(zhèn)泉;;變精度粗糙集的屬性核和最小屬性約簡算法[J];計(jì)算機(jī)學(xué)報(bào);2012年05期

，

本文編號(hào)：656870