支持向量機(jī)的研究及其在入侵檢測(cè)中的應(yīng)用.pdf

1、支持向量機(jī)是自上世紀(jì)90年代提出的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，與傳統(tǒng)統(tǒng)計(jì)學(xué)研究樣本產(chǎn)生的規(guī)律或樣本數(shù)目趨于無(wú)窮大時(shí)的漸進(jìn)性能不同，它更注重研究樣本本身所提供的信息，其解決問(wèn)題的核心思想是利用核函數(shù)把樣本空間中的問(wèn)題映射到特征空間中去解決。作為結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的具體實(shí)現(xiàn)，支持向量機(jī)方法具有全局最優(yōu)、結(jié)構(gòu)簡(jiǎn)單、推廣能力強(qiáng)等優(yōu)點(diǎn)。 入侵檢測(cè)實(shí)質(zhì)上是一個(gè)模式識(shí)別問(wèn)題，利用支持向量機(jī)進(jìn)行建模，不僅可以解決在建立入侵檢測(cè)模型時(shí)因無(wú)

2、法收集所有入侵樣本而導(dǎo)致的模型推廣性能差的問(wèn)題，而且可以提高入侵檢測(cè)檢測(cè)率，降低漏報(bào)率和誤報(bào)率，提高入侵檢測(cè)系統(tǒng)的實(shí)用性。 本文詳細(xì)研究了支持向量機(jī)理論和入侵檢測(cè)理論，在此基礎(chǔ)上作了如下工作： (1)將支持向量機(jī)應(yīng)用于實(shí)時(shí)檢測(cè)，需要支持向量具有很高的訓(xùn)練速度，為了提高它的訓(xùn)練速度，一種可行的方法是對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行采樣，減少訓(xùn)練數(shù)據(jù)的規(guī)模。本文研究了當(dāng)前已有的幾種采樣方法，在此基礎(chǔ)上提出了相鄰邊界模型，并基于該模型來(lái)對(duì)訓(xùn)練數(shù)

3、據(jù)進(jìn)行采樣，實(shí)驗(yàn)表明該模型在保證正確率的同時(shí)，大大地減少了訓(xùn)練的時(shí)間復(fù)雜度和空間復(fù)雜度。 (2)針對(duì)入侵?jǐn)?shù)據(jù)量大且日益增多的特點(diǎn)，本文基于相鄰邊界模型和空間劃分的思想提出了一個(gè)SVM增量學(xué)習(xí)方法，并對(duì)該方法進(jìn)行了詳細(xì)描述和分析。 (3)著重對(duì)SVMLight和SMO兩個(gè)算法里的一些重要內(nèi)容進(jìn)行了研究，因?yàn)樗鼈兪潜疚膶?shí)驗(yàn)用的SVM軟件包LIBSVM的關(guān)鍵部分。 (4)研究了入侵及其基于特權(quán)層的描述方法，接著對(duì)KDD