基于云計算的入侵檢測算法研究與分析.pdf

1、隨著云計算的發(fā)展和應用范圍不斷擴大，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)境下的檢測需求，無論是在檢測能力，響應速度，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系統(tǒng)已經(jīng)成為入侵檢測領域重要的研究方向。
　　基于云計算提供的超大規(guī)模計算能力與海量存儲能力，本文提出了一種云環(huán)境下基于非監(jiān)督學習的入侵檢測系統(tǒng)，系統(tǒng)能夠對海量入侵檢測數(shù)據(jù)自主學習，實時檢測，檢測準確率高，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，入侵檢測技術和現(xiàn)階段云環(huán)境下入侵檢測系統(tǒng)的優(yōu)缺點。
　　再通過研究模糊C均值聚類算法在云環(huán)境下入侵檢測的不足，提出利用正熵和容錯距離優(yōu)化目標函數(shù)的改進型模糊C均值算法MEOFCM，解決了算法針對噪聲數(shù)據(jù)敏感和需要預定義模糊加權指數(shù)問題。并提出利用Canopy聚類進行改進算法聚類預處理，解決了算法針對初始化分類參數(shù)敏感和預定義聚類數(shù)目問題。

3、　　然后針對海量高維入侵檢測數(shù)據(jù)中存在的冗余和噪音嚴重影響檢測時間和檢測效率的問題，提出了在MapReduce并行計算框架下基于Lanczos算法的并行化SVD算法PLSVD。利用PLSVD算法對入侵檢測數(shù)據(jù)進行特征提取，實現(xiàn)了對云環(huán)境下入侵檢測數(shù)據(jù)的數(shù)據(jù)降維處理，降低了檢測時間，提高了檢測效率。針對單機環(huán)境下聚類算法很難對海量入侵檢測數(shù)據(jù)進行聚類檢測的缺點，提出了兩種算法的MapReduce并行化實現(xiàn)，解決了海量數(shù)據(jù)聚類問題。并結合P