基于支持向量機的網(wǎng)絡攻擊檢測研究.pdf

1、隨著計算機網(wǎng)絡的發(fā)展，網(wǎng)絡安全問題也愈加突出，特別是攻擊計算機系統(tǒng)的手段越來越復雜和多樣化。網(wǎng)絡攻擊檢測系統(tǒng)是對傳統(tǒng)計算機安全的一種補充，增大了對系統(tǒng)與網(wǎng)絡安全的保護范圍。 支持向量機(Support Vector Machine)是上世紀90年代提出的一種基于統(tǒng)計學習理論的機器學習算法，它將最大間隔原則和核函數(shù)理論結(jié)合在一起，通過核函數(shù)技巧克服了“維數(shù)災難”問題及其推廣能力良好、非線性處理能力強大等特點，受到了越來越多地關注，

2、并已成功地應用于模式識別和回歸估計等領域。 正因為SVM相比于其他學習算法有這些顯著優(yōu)點，將SVM方法用于網(wǎng)絡攻擊檢測，可以保證有良好的檢測能力。本文重點圍繞SVM方法的核函數(shù)的構(gòu)造及其參數(shù)的選取，應用于網(wǎng)絡攻擊檢測領域，主要研究工作如下： 1．引入HVDM(Heterogeneous Value Difference Metric)距離函數(shù)，使之適用于網(wǎng)絡高維異構(gòu)數(shù)據(jù)集，并考慮到各個屬性特征對于分類的貢獻差異性，通過模

3、糊隸屬度函數(shù)對HVDM函數(shù)進行了加權(quán)改進，構(gòu)造了新的RBF(Radial Basis Function)，形核函數(shù)，從而較為合理科學地解決了異構(gòu)數(shù)據(jù)的差異性度量，提高了檢測精度。 2．針對大量樣本集參與訓練時，尋找最優(yōu)參數(shù)的傳統(tǒng)網(wǎng)格搜索算法消耗時間過長的不足，本文給出了一種適用于攻擊檢測領域的RBF核參數(shù)優(yōu)化方法，將特征篩選策略(Feature Selection)與改進的網(wǎng)格搜索法相結(jié)合搜索最優(yōu)參數(shù)。仿真實驗證明，此優(yōu)化方法在