基于模式識(shí)別的入侵檢測(cè)關(guān)鍵技術(shù)研究.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展以及廣泛應(yīng)用，網(wǎng)絡(luò)安全成了越來(lái)越重要的問(wèn)題。如何能快速、準(zhǔn)確、有效地識(shí)別已有的攻擊和日益增多的新的攻擊就是入侵檢測(cè)系統(tǒng)所面臨的迫切問(wèn)題。自從SandeepKumar博士將模式識(shí)別技術(shù)引入到網(wǎng)絡(luò)入侵檢測(cè)中以來(lái)，基于模式識(shí)別或智能方法的入侵檢測(cè)技術(shù)得到了迅猛地發(fā)展，取得了令人鼓舞的效果。相對(duì)于傳統(tǒng)的入侵檢測(cè)技術(shù)來(lái)說(shuō)，采用模式識(shí)別的入侵檢測(cè)具有檢測(cè)準(zhǔn)確度高以及能識(shí)別大量新型攻擊的優(yōu)點(diǎn)，但是同時(shí)也具有計(jì)算復(fù)雜度高、難以適應(yīng)

2、實(shí)時(shí)入侵檢測(cè)要求的缺點(diǎn)。本文提出了基于BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器的入侵檢測(cè)模型。由于入侵檢測(cè)的訓(xùn)練數(shù)據(jù)具有較高的維數(shù)(特征數(shù))和非常大的實(shí)例數(shù)，因此很有必要對(duì)輸入到神經(jīng)網(wǎng)絡(luò)分類(lèi)器的訓(xùn)練數(shù)據(jù)進(jìn)行特征壓縮和實(shí)例壓縮。這樣就可以大大減少采用模式識(shí)別方法的入侵檢測(cè)系統(tǒng)的計(jì)算開(kāi)銷(xiāo)。為了達(dá)到這一目的，本文對(duì)以下幾個(gè)關(guān)鍵問(wèn)題進(jìn)行了研究： 1、訓(xùn)練數(shù)據(jù)的特征提取與選擇。為了降低神經(jīng)網(wǎng)絡(luò)分類(lèi)器的計(jì)算量，提高分類(lèi)器的性能，對(duì)輸入的訓(xùn)練數(shù)據(jù)進(jìn)行特征提取與選擇

3、。本文對(duì)特征提取與選擇算法進(jìn)行了比較深入地研究。 (1)首先研究了基于主成分分析(PCA)的特征提取方法。在該方法中，先使用ReliefF算法去除原始特征中與分類(lèi)無(wú)關(guān)的特征，然后再利用PCA變換提取合適個(gè)數(shù)的主成分。 (2)接著研究了基于啟發(fā)式搜索的特征選擇方法。提出了一種基于變量相似性的特征選擇算法。先使用ReliefF算法去除原始特征中與分類(lèi)無(wú)關(guān)的特征，然后利用最大信息壓縮準(zhǔn)則去除剩下特征之間的冗余性。 (3

4、)然后又把特征選擇算法由啟發(fā)式的搜索方法擴(kuò)展到非啟發(fā)式的進(jìn)化搜索方法。提出了基于改進(jìn)遺傳算法的特征子集選擇方法。該方法結(jié)合了免疫克隆選擇算法和簡(jiǎn)單遺傳算法的優(yōu)點(diǎn)，性能要優(yōu)于簡(jiǎn)單遺傳算法。 (4)最后提出了一種基于混合穩(wěn)態(tài)遺傳算法的特征選擇方法。 該方法是在穩(wěn)態(tài)遺傳算法的基礎(chǔ)上把選擇和交叉操作算子結(jié)合起來(lái)。該算法具有相對(duì)低的計(jì)算復(fù)雜度以及較好的搜索性能的優(yōu)點(diǎn)。 提出的特征提取與選擇算法在保持分類(lèi)器分類(lèi)性能的同時(shí)均有

5、效地壓縮了訓(xùn)練數(shù)據(jù)的特征。 2、訓(xùn)練數(shù)據(jù)的雙向壓縮。雖然特征提取與選擇壓縮了特征數(shù)目，但由于訓(xùn)練數(shù)據(jù)擁有太多的實(shí)例數(shù)，如不對(duì)實(shí)例進(jìn)行壓縮選擇，一方面會(huì)增加分類(lèi)器的計(jì)算開(kāi)銷(xiāo)，另一方面會(huì)導(dǎo)致對(duì)分類(lèi)器進(jìn)行“過(guò)訓(xùn)練”而影響分類(lèi)效果。本文提出一種基于主成分分析的特征提取以及基于混合穩(wěn)態(tài)遺傳算法的實(shí)例選擇的雙向數(shù)據(jù)壓縮方法。該方法不僅有效地壓縮了行數(shù)據(jù)(特征)，而且也對(duì)列數(shù)據(jù)(實(shí)例)進(jìn)行了很好地壓縮。實(shí)驗(yàn)結(jié)果表明雙向數(shù)據(jù)壓縮方法大大降低了分