2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩74頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

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。

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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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確性、安全性和完整性, 同時也不承擔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。

評論

0/150

提交評論