基于云計(jì)算的入侵檢測(cè)算法研究與分析.pdf

1、隨著云計(jì)算的發(fā)展和應(yīng)用范圍不斷擴(kuò)大，云環(huán)境下的安全和隱私問題日益突出。傳統(tǒng)安全手段已經(jīng)不能滿足云環(huán)境下的檢測(cè)需求，無論是在檢測(cè)能力，響應(yīng)速度，還是在系統(tǒng)規(guī)模等方面都存在著諸多限制。建立云環(huán)境下高效的入侵檢測(cè)系統(tǒng)已經(jīng)成為入侵檢測(cè)領(lǐng)域重要的研究方向。
　　基于云計(jì)算提供的超大規(guī)模計(jì)算能力與海量存儲(chǔ)能力，本文提出了一種云環(huán)境下基于非監(jiān)督學(xué)習(xí)的入侵檢測(cè)系統(tǒng)，系統(tǒng)能夠?qū)Ａ咳肭謾z測(cè)數(shù)據(jù)自主學(xué)習(xí)，實(shí)時(shí)檢測(cè)，檢測(cè)準(zhǔn)確率高，誤檢率低。本文的主要研

2、究工作和成果包括:
　　首先分析了當(dāng)前云環(huán)境面臨的安全威脅，以及常見的攻擊手段，入侵檢測(cè)技術(shù)和現(xiàn)階段云環(huán)境下入侵檢測(cè)系統(tǒng)的優(yōu)缺點(diǎn)。
　　再通過研究模糊C均值聚類算法在云環(huán)境下入侵檢測(cè)的不足，提出利用正熵和容錯(cuò)距離優(yōu)化目標(biāo)函數(shù)的改進(jìn)型模糊C均值算法MEOFCM，解決了算法針對(duì)噪聲數(shù)據(jù)敏感和需要預(yù)定義模糊加權(quán)指數(shù)問題。并提出利用Canopy聚類進(jìn)行改進(jìn)算法聚類預(yù)處理，解決了算法針對(duì)初始化分類參數(shù)敏感和預(yù)定義聚類數(shù)目問題。

3、　　然后針對(duì)海量高維入侵檢測(cè)數(shù)據(jù)中存在的冗余和噪音嚴(yán)重影響檢測(cè)時(shí)間和檢測(cè)效率的問題，提出了在MapReduce并行計(jì)算框架下基于Lanczos算法的并行化SVD算法PLSVD。利用PLSVD算法對(duì)入侵檢測(cè)數(shù)據(jù)進(jìn)行特征提取，實(shí)現(xiàn)了對(duì)云環(huán)境下入侵檢測(cè)數(shù)據(jù)的數(shù)據(jù)降維處理，降低了檢測(cè)時(shí)間，提高了檢測(cè)效率。針對(duì)單機(jī)環(huán)境下聚類算法很難對(duì)海量入侵檢測(cè)數(shù)據(jù)進(jìn)行聚類檢測(cè)的缺點(diǎn)，提出了兩種算法的MapReduce并行化實(shí)現(xiàn)，解決了海量數(shù)據(jù)聚類問題。并結(jié)合P