基于核方法的網(wǎng)絡(luò)入侵檢測(cè)若干研究.pdf

1、隨著網(wǎng)絡(luò)的日益普及，網(wǎng)絡(luò)安全問題日益突出，如何保證網(wǎng)絡(luò)系統(tǒng)的安全成為了一個(gè)亟待解決的問題。將核主成分分析（KPCA）、粒子群優(yōu)化算法（PSO）和支持向量機(jī)（SVM）相結(jié)合并應(yīng)用于入侵檢測(cè)中，不但解決了數(shù)據(jù)信息的冗余性，而且避免了SVM參數(shù)選取的盲目性，更加提高入侵檢測(cè)的性能。
　　本文主要是對(duì)核方法在入侵檢測(cè)中的應(yīng)用進(jìn)行研究。首先，對(duì)KPCA算法進(jìn)行研究與分析，提出了一種混合核主成分分析算法。其次，針對(duì)SVM的參數(shù)選取進(jìn)行研究，在

2、PSO算法的基礎(chǔ)上，提出了兩種新的優(yōu)化算法。本文的主要?jiǎng)?chuàng)新如下：
　?。?）提出了基于混合核函數(shù)的MKPCA（Multiple Kernel Principal Component Analysis, MKPCA）算法。該算法對(duì)入侵檢測(cè)數(shù)據(jù)進(jìn)行特征提取，在保證數(shù)據(jù)信息量完整情況下，降低了數(shù)據(jù)的維數(shù)。本文提出的MKPCA算法的核函數(shù)不是單一核，而是結(jié)合全局核函數(shù)（多項(xiàng)式核函數(shù)）和局部核函數(shù)（高斯核函數(shù)）的雙核核函數(shù)，提高了KPCA（

3、Kernel Principal Component Analysis, MKPCA）的非線性特征提取能力。通過MKPCA特征提取實(shí)驗(yàn)，可以看出原始數(shù)據(jù)通過特征提取后分類的正確性得到提高，同時(shí)加快了數(shù)據(jù)的訓(xùn)練與測(cè)試速度。
　　（2）提出了基于動(dòng)態(tài)粒子群優(yōu)化的SVM（Dynamic Particle Swarm Optimization-Support Vector Machine, DPSO-SVM）入侵檢測(cè)算法。該算法引入動(dòng)態(tài)慣

4、性權(quán)重函數(shù)和加速因子函數(shù)來加強(qiáng)PSO算法搜索能力，平衡PSO算法全局搜索能力和局部搜索能力，并將該算法應(yīng)用于SVM的參數(shù)優(yōu)化。本文利用DPSO-SVM算法對(duì)MKPCA處理后的入侵?jǐn)?shù)據(jù)進(jìn)行分類實(shí)驗(yàn)，結(jié)果表明該算法提高了分類的準(zhǔn)確性，加快了算法趨于最優(yōu)解的收斂速度。
　?。?）提出了基于動(dòng)態(tài)混沌粒子群優(yōu)化的SVM（Dynamic Chaos Particle Swarm Optimization-Support Vector Mach