版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、入侵檢測可以分為誤用檢測和異常檢測,Snort系統(tǒng)作為典型的誤用入侵檢測系統(tǒng)采用特征匹配的網(wǎng)絡(luò)入侵檢測系統(tǒng),具有開放源代碼和采用插件機(jī)制的特征。Snort采用的入侵特征匹配方法為較低層次的網(wǎng)絡(luò)數(shù)據(jù)包特征碼匹配,這種描述入侵特征方式比較復(fù)雜,不容易理解。入侵檢測數(shù)據(jù)集KDD99的屬性集對各種入侵特征進(jìn)行了比較好的抽象概括,利用KDD99數(shù)據(jù)集的屬性集進(jìn)行入侵檢測具有更好的可理解性,更簡潔,效率更高,能更準(zhǔn)確的檢測到各種入侵類型。本研究通過
2、對入侵和特征屬性進(jìn)行分類分析并對屬性集的各個屬性計(jì)算信息增益,按信息增益由大到小排序,選擇信息增益較大的部分屬性進(jìn)行改進(jìn)的Snort系統(tǒng)入侵檢測。Snort系統(tǒng)具有誤用入侵檢測系統(tǒng)所具有的較高的檢測效率優(yōu)點(diǎn),但也存在無法檢測出未知入侵類型的弱點(diǎn)。本研究設(shè)計(jì)了一種簡單的基于偏差的離群點(diǎn)檢測方法,并將之應(yīng)用在Snort系統(tǒng)中,使改進(jìn)的Snort系統(tǒng)具有了對未定義入侵特征的入侵類型的檢測能力。
本研究在Snort系統(tǒng)的檢測流程的基礎(chǔ)
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于數(shù)據(jù)挖掘的Snort系統(tǒng)改進(jìn)模型的研究.pdf
- 離群點(diǎn)快速挖掘算法的研究.pdf
- 空間離群點(diǎn)挖掘算法的研究.pdf
- 基于密度的局部離群點(diǎn)挖掘算法研究.pdf
- GML時(shí)空離群點(diǎn)挖掘技術(shù)研究.pdf
- 基于SPF的流數(shù)據(jù)離群點(diǎn)挖掘研究.pdf
- 對網(wǎng)絡(luò)入侵檢測系統(tǒng)Snort的研究及改進(jìn).pdf
- 關(guān)聯(lián)子空間離群點(diǎn)挖掘研究.pdf
- 基于蟻群算法的離群點(diǎn)挖掘算法研究.pdf
- 基于離群點(diǎn)挖掘的網(wǎng)絡(luò)入侵檢測方法研究.pdf
- 基于興趣度的離群點(diǎn)挖掘技術(shù)研究.pdf
- 基于屬性權(quán)重的局部離群點(diǎn)挖掘算法研究.pdf
- 離群點(diǎn)挖掘及其內(nèi)涵知識發(fā)現(xiàn)研究.pdf
- 基于密度的局部離群數(shù)據(jù)挖掘方法的研究和改進(jìn).pdf
- 基于離群點(diǎn)挖掘的RFID冷鏈實(shí)時(shí)溫控研究.pdf
- 離群點(diǎn)挖掘在入侵檢測中的研究與應(yīng)用.pdf
- Snort入侵檢測系統(tǒng)的研究與改進(jìn).pdf
- Snort入侵檢測系統(tǒng)的研究和改進(jìn).pdf
- 基于高對比性子空間的離群點(diǎn)挖掘算法研究.pdf
- 基于重疊模塊度的社區(qū)離群點(diǎn)挖掘算法研究.pdf
評論
0/150
提交評論