基于LLE特征提取的BVM網(wǎng)絡(luò)入侵檢測方法.pdf

1、隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展以及互聯(lián)網(wǎng)的日益普及，豐富的網(wǎng)絡(luò)資源給人們帶來了極大的便利，但同時(shí)也帶來了網(wǎng)絡(luò)安全問題，入侵檢測技術(shù)是目前保證計(jì)算機(jī)安全的必要手段之一。隨著網(wǎng)絡(luò)入侵手段的日益復(fù)雜化，多樣化和自動(dòng)化，傳統(tǒng)的入侵檢測技術(shù)己不能完全滿足當(dāng)前網(wǎng)絡(luò)安全的需要?；谏鲜鲅芯勘尘?，本文將機(jī)器學(xué)習(xí)方法引入到入侵檢測系統(tǒng)中，開展了基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測研究。
　　 入侵檢測本質(zhì)上是一個(gè)分類問題。本文將局部線性嵌入算法(LLE)和球向量

2、機(jī)(BVM)引入到入侵檢測中，提出了基于LLE數(shù)據(jù)降維的BVM網(wǎng)絡(luò)入侵檢測方法。首先，入侵檢測需要分析大量的高維樣本數(shù)據(jù)，如何降低高維樣本數(shù)據(jù)的特征維數(shù)，對(duì)于降低入侵檢測系統(tǒng)的訓(xùn)練時(shí)間和檢測時(shí)間，提高檢測精度和檢測實(shí)時(shí)性具有重要的意義，而局部線性嵌入算法能夠?qū)θ肭謾z測數(shù)據(jù)進(jìn)行特征提取，濾除噪聲，提取出每條數(shù)據(jù)的主要特征，從而降低入侵檢測數(shù)據(jù)的維度，同時(shí)也能有效的減少分類器模型的訓(xùn)練時(shí)間和分類時(shí)間；其次，入侵檢測需要構(gòu)造一個(gè)良好的分類器模

3、型，一個(gè)良好的分類器模型對(duì)于提高檢測精度和檢測速度具有重要的意義。球向量機(jī)算法將支持向量機(jī)的QP問題轉(zhuǎn)化為最小閉包球(MEB)的求解問題，通過求解MEB得到支持向量，避免了支持向量機(jī)在大規(guī)模數(shù)據(jù)上收斂速度較慢的問題，從而能減少分類器模型的訓(xùn)練和分類時(shí)間；最后，在CIDF通用入侵檢測模型的基礎(chǔ)上，提出了基于LLE特征降維與BVM分類的CIDF改進(jìn)模型，該模型在KDDCUP'99數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本方法的檢測率有了一定的提高，虛警率和