基于粗糙集屬性約簡和加權SVM的入侵檢測方法研究.pdf

1、作為一種主動的網(wǎng)絡安全技術，入侵檢測不僅能夠發(fā)現(xiàn)外部入侵者的攻擊，而且也能檢測到內部合法用戶的非授權操作，被譽為繼防火墻之后的第二道網(wǎng)絡安全閘門。
　　 目前，許多學者將支持向量機(Support Vector Machine, SVM)機器學習方法應用于入侵檢測之中，并取得了一定的研究成果。然而，在高維、大規(guī)模和不平衡入侵檢測數(shù)據(jù)中，SVM 入侵檢測方法存在訓練時間長、檢測速度慢以及對樣本數(shù)目少的攻擊類型檢測率低的不足。

2、>　　 針對以上不足，本文提出并研究了基于粗糙集屬性約簡和加權SVM的入侵檢測方法，并在KDDCUP1999 數(shù)據(jù)集上進行了仿真實驗。在此基礎上，開發(fā)了相應的入侵檢測實驗原型。主要研究內容如下：
　　 針對高維入侵檢測數(shù)據(jù)中的無關屬性和冗余屬性致使分類算法檢測速度慢和檢測率不高的問題，以粗糙集為理論依據(jù)，提出了基于正區(qū)域快速屬性約簡(Fast AttributeReduction Based on Positive Regio

3、n, PRFAR)算法，并給出了基于PRFAR的入侵檢測特征選擇方法。實驗結果表明：與基于條件信息熵、區(qū)分矩陣和改進正區(qū)域的屬性約簡算法比較，PRFAR 屬性約簡算法不僅更有效地去除了入侵檢測數(shù)據(jù)中的無關屬性和冗余屬性，獲取了入侵檢測數(shù)據(jù)的優(yōu)化特征子集，而且特征選擇效率更高，明顯提升了分類算法的檢測速度和檢測率。
　　 針對大規(guī)模、不平衡入侵檢測數(shù)據(jù)導致SVM 入侵檢測方法訓練時間長、檢測速度慢以及對樣本數(shù)目少的攻擊類型檢測率低

4、的問題，提出了基于中間分類超平面樣本縮減的加權SVM(Weighted Support Vector Machine Based on Middle Classification HyperplaneSample Reduction, MCHSR-WSVM)入侵檢測方法。實驗結果顯示：與聚類SVM和約簡SVM 入侵檢測方法相比，該方法更有效地縮減了訓練樣本集，不僅訓練時間更短，檢測速度更快，而且對樣本數(shù)目少的攻擊類型檢測率較高。

5、　　 在以上研究結果的基礎上，提出了基于粗糙集屬性約簡和加權SVM的入侵檢測方法。該方法首先運用PRFAR 屬性約簡算法選取入侵檢測數(shù)據(jù)的優(yōu)化特征子集；然后采用MCHSR-WSVM 入侵檢測方法實現(xiàn)入侵檢測。實驗結果表明：與SVM、PRFAR-WSVM和MCHSR-WSVM 入侵檢測方法比較，該方法訓練和檢測耗時更少，并且對樣本數(shù)目少的攻擊類型檢測率高，能夠克服了SVM 入侵檢測方法在高維、大規(guī)模和不平衡入侵檢測數(shù)據(jù)中存在的不足。