入侵檢測是維持網(wǎng)絡(luò)安全的重要手段,其通過對流量日志進(jìn)行分析,可以及時(shí)發(fā)現(xiàn)和阻斷網(wǎng)絡(luò)入侵。在入侵檢測中,由于背景流量包含所有非入侵的流量,具有數(shù)據(jù)量大和流量種類多的特點(diǎn),因此構(gòu)建出具有代表性的背景流量數(shù)據(jù)集非常困難。本文中,將入侵流量作為正例數(shù)據(jù),研究了基于正例和無標(biāo)簽學(xué)習(xí)的入侵檢測方法,從而避免構(gòu)建背景流量數(shù)據(jù)集,使入侵檢測系統(tǒng)具有更好的泛化性能。在基于正例和無標(biāo)簽學(xué)習(xí)的入侵檢測系統(tǒng)構(gòu)建過程中,主要從以下三個(gè)方面展開研究:1)針對入侵檢測中背景流量數(shù)據(jù)量大的特點(diǎn),研究了特征加權(quán)OCSVM模型用于背景流量過濾。在本文中,首先分析了OCSVM特征加權(quán)的原理;然后研究了正例和無標(biāo)簽學(xué)習(xí)中關(guān)鍵特征識(shí)別方法,指出通過正例數(shù)據(jù)和反例數(shù)據(jù)的分布差異可以識(shí)別關(guān)鍵特征;最后給出正例和無標(biāo)簽學(xué)習(xí)特征重要度的計(jì)算方法,并將特征重要度作為特征權(quán)重對OCSVM模型進(jìn)行加權(quán)。2)研究類先驗(yàn)概率估計(jì)算法。類先驗(yàn)概率是無標(biāo)簽數(shù)據(jù)集中正例樣本所占的比例,其是正例和無標(biāo)簽學(xué)習(xí)的必要條件。在本文中分析了類先驗(yàn)概率估計(jì)的原理,提出基于部分匹配的KL-KDE算法和OCSVM-c E算法,最后通過實(shí)驗(yàn)分析了兩種算法的估計(jì)準(zhǔn)確率和...

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1OCSVM原理

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-9-第2章特征加權(quán)OCSVM與流量過濾在本章中，將入侵流量作為正例數(shù)據(jù)集，以O(shè)CSVM模型作為背景流量的過濾方法，來減少背景流量的樣本量，以提升入侵檢測的效率和緩解數(shù)據(jù)不平衡問題。本章中研究了OCSVM的特征加權(quán)方法，分析了在僅有正例標(biāo)簽數(shù)據(jù)時(shí)特征....

圖2-2OCSVM決策面

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-9-第2章特征加權(quán)OCSVM與流量過濾在本章中，將入侵流量作為正例數(shù)據(jù)集，以O(shè)CSVM模型作為背景流量的過濾方法，來減少背景流量的樣本量，以提升入侵檢測的效率和緩解數(shù)據(jù)不平衡問題。本章中研究了OCSVM的特征加權(quán)方法，分析了在僅有正例標(biāo)簽數(shù)據(jù)時(shí)特征....

圖2-3關(guān)鍵特征

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-13-圖2-3關(guān)鍵特征圖2-4冗余特征圖2-3展示了一種理想的關(guān)鍵特征屬性分布情況，在這種情況下，由于無標(biāo)簽數(shù)據(jù)集中同時(shí)包含了正例和反例數(shù)據(jù)，關(guān)鍵特征的屬性分布會(huì)基于類標(biāo)簽存在如圖2-3所示的雙峰特征，0.7和0.2分別是該特征在正例和反例中特征的....

圖2-4冗余特征

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-13-圖2-3關(guān)鍵特征圖2-4冗余特征圖2-3展示了一種理想的關(guān)鍵特征屬性分布情況，在這種情況下，由于無標(biāo)簽數(shù)據(jù)集中同時(shí)包含了正例和反例數(shù)據(jù)，關(guān)鍵特征的屬性分布會(huì)基于類標(biāo)簽存在如圖2-3所示的雙峰特征，0.7和0.2分別是該特征在正例和反例中特征的....

本文編號(hào)：3939524