支持向量機(jī)在入侵檢測(cè)系統(tǒng)中的研究和應(yīng)用.pdf

1、入侵檢測(cè)作為一種主動(dòng)防御技術(shù)，彌補(bǔ)了傳統(tǒng)安全技術(shù)的不足。但由于入侵手段的復(fù)雜性和多樣性，至今仍然沒(méi)有找到入侵行為與網(wǎng)絡(luò)連接信息數(shù)據(jù)特征之間的函數(shù)關(guān)系，機(jī)器學(xué)習(xí)正是試圖對(duì)這種函數(shù)關(guān)系進(jìn)行逼近和估計(jì)的有效方法。支持向量機(jī)（SVM）是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)之上的機(jī)器學(xué)習(xí)方法，能較好地解決有限樣本、非線性、高維數(shù)、局部極小點(diǎn)等問(wèn)題。將支持向量機(jī)方法用于入侵檢測(cè)，可以獲取較好的檢測(cè)性能。
　　 本文在深入研究支持向量機(jī)理論及其應(yīng)用的基

2、礎(chǔ)上，提出了一個(gè)基于支持向量機(jī)的分類器模型，并將該模型進(jìn)行完善，應(yīng)用于入侵檢測(cè)。結(jié)合入侵檢測(cè)的CIDF結(jié)構(gòu)，進(jìn)一步提出基于支持向量機(jī)的入侵檢測(cè)系統(tǒng)模型，該模型主要包括網(wǎng)絡(luò)數(shù)據(jù)捕獲模塊、網(wǎng)絡(luò)連接信息提取模塊、數(shù)據(jù)預(yù)處理模塊、SVM訓(xùn)練模塊、SVM支持向量庫(kù)、事件日志庫(kù)和輸出及響應(yīng)模塊等，并針對(duì)各模塊功能進(jìn)行闡述。本文在深入研究支持向量機(jī)各種算法和核函數(shù)選擇的基礎(chǔ)上，改進(jìn)已有算法，選擇不同的核函數(shù)，調(diào)整參數(shù)，使其達(dá)到最好分類效果，并實(shí)現(xiàn)支持

3、向量機(jī)的兩類分類和多類分類，利用已有數(shù)據(jù)驗(yàn)證了算法的優(yōu)越性。本文用主成分分析、因子分析等統(tǒng)計(jì)方法對(duì)原數(shù)據(jù)進(jìn)行降維處理，在此基礎(chǔ)上，提出了一種新的特征提取和選擇方法，即基于自適應(yīng)特征加權(quán)的特征提取和選擇方法，并將此方法運(yùn)用于數(shù)據(jù)特征的提取和選擇。本文將支持向量機(jī)與基于自適應(yīng)特征加權(quán)的特征選擇兩種算法結(jié)合起來(lái)，用于入侵檢測(cè)。實(shí)驗(yàn)證明，不論是兩類分類還是多類分類，采用新的算法，分類精度有了明顯提高，同時(shí)，訓(xùn)練時(shí)間和測(cè)試時(shí)間也有不同程度的改善，