基于改進(jìn)層次聚類法與支持向量機(jī)的入侵檢測(cè)技術(shù)研究.pdf

1、目前網(wǎng)絡(luò)技術(shù)高度發(fā)達(dá)，互聯(lián)網(wǎng)的應(yīng)用已經(jīng)深入社會(huì)的各個(gè)層面，極大促進(jìn)了社會(huì)發(fā)展。但是互聯(lián)網(wǎng)安全問題也日益突出，黑客攻擊、隱私泄露等事件層出不窮，網(wǎng)絡(luò)入侵行為甚至已經(jīng)對(duì)我國(guó)的國(guó)家安全構(gòu)成了威脅，對(duì)于網(wǎng)絡(luò)安全技術(shù)的研究很有必要。在各種網(wǎng)絡(luò)安全技術(shù)中，入侵檢測(cè)是一種通過掃描分析網(wǎng)絡(luò)數(shù)據(jù)流，探測(cè)異?；顒?dòng)的技術(shù)。這種技術(shù)能有效發(fā)現(xiàn)入侵行為，是目前的網(wǎng)絡(luò)安全領(lǐng)域研究熱點(diǎn)之一。
　　在入侵檢測(cè)的兩類算法聚類和支持向量機(jī)中，支持向量機(jī)檢測(cè)快、精度高

2、，但需要已標(biāo)類數(shù)據(jù)訓(xùn)練；聚類可以分類未標(biāo)類數(shù)據(jù)，但檢測(cè)速度和精度不夠理想。本文結(jié)合了聚類算法和支持向量機(jī)算法，只需把訓(xùn)練數(shù)據(jù)集少量標(biāo)類用于尋找參數(shù)，即可將未標(biāo)記的訓(xùn)練集用聚類進(jìn)行分類，將其作為支持向量機(jī)的訓(xùn)練數(shù)據(jù)，這樣就能在無需手動(dòng)標(biāo)記大量樣本的情況下完成支持向量機(jī)的訓(xùn)練。在檢測(cè)階段使用建立的支持向量機(jī)模型進(jìn)行測(cè)試數(shù)據(jù)集的檢測(cè)。以此融合算法優(yōu)點(diǎn)，互相彌補(bǔ)缺點(diǎn)，將聚類算法能分類未標(biāo)類數(shù)據(jù)的優(yōu)點(diǎn)和支持向量機(jī)高精度高速度檢測(cè)的優(yōu)點(diǎn)結(jié)合起來，使

3、得訓(xùn)練數(shù)據(jù)的準(zhǔn)備工作更為簡(jiǎn)便，算法的實(shí)用度更高。
　　在層次聚類方面，本文通過研究提出了改進(jìn)層次聚類法，主要進(jìn)行了兩方面的工作：第一，在聚類計(jì)算的過程中引入一個(gè)距離矩陣，存儲(chǔ)計(jì)算中需要用到的各個(gè)距離量，這樣就能在保證正確率的情況下提高聚類速度，讓入侵檢測(cè)系統(tǒng)的訓(xùn)練更為高效。第二，提出了新的聚類參數(shù)尋找算法，該算法能夠快速找到一個(gè)聚類參數(shù)的最優(yōu)值，簡(jiǎn)化了參數(shù)的確定過程，提高了算法的運(yùn)行效率，能夠更為有效的完成相關(guān)實(shí)驗(yàn)。
　　為

4、進(jìn)行相關(guān)研究，本文基于Visual C++平臺(tái)，設(shè)計(jì)并實(shí)現(xiàn)了入侵檢測(cè)實(shí)驗(yàn)系統(tǒng)，系統(tǒng)包含數(shù)據(jù)預(yù)處理、參數(shù)確定、數(shù)據(jù)訓(xùn)練、數(shù)據(jù)檢測(cè)等模塊。該系統(tǒng)功能完備，能夠結(jié)合SQL數(shù)據(jù)庫(kù)處理入侵?jǐn)?shù)據(jù)。在數(shù)據(jù)預(yù)處理模塊中，本文設(shè)計(jì)了能夠量化多種數(shù)據(jù)集的通用量化法，能夠自動(dòng)識(shí)別數(shù)據(jù)集中的字符串，并為每種字符串分配唯一編號(hào)完成量化，擴(kuò)展了系統(tǒng)使用范圍。利用該系統(tǒng)進(jìn)行了入侵檢測(cè)的相關(guān)實(shí)驗(yàn)，并和已有研究成果進(jìn)行了比較，驗(yàn)證了本文所研究的算法可以有效的檢測(cè)入侵行為