基于學習與自相似的異常檢測研究.pdf_第1頁
已閱讀1頁,還剩141頁未讀, 繼續(xù)免費閱讀

下載本文檔

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),請進行舉報或認領(lǐng)

文檔簡介

1、舞叛編號溆j趨紈壤劣驥0∥。糾西”]P’釤。磅強‘“博士學位論文基于學習與自相似的異常檢測研究導帥姓2覆職稱專m2稱:王汝傳教授/博導信息同絡南京郵電大學博士研究生學位論文BP網(wǎng)絡不僅檢測準確率較高,而且泛化能力也有了很大提高:當訓練樣本數(shù)增多時,聯(lián)合使用用粗糙集與GA優(yōu)化過的BP網(wǎng)絡,通過學習得到的“經(jīng)驗”越豐富,誤檢率下降的越快,當測試集不變時,訓練樣本多到一定程度時檢測準確率達到穩(wěn)定。其次,對基于特征約簡、協(xié)議區(qū)分與SVM的異常檢

2、測進行研究。入侵檢測本質(zhì)上是一個分類問題,SVM是目前最優(yōu)秀的分類方法之一,因此,將SVM用于入侵檢測是一種好的選擇。但是,將網(wǎng)絡數(shù)據(jù)全部特征用于SVM學習,需要解決一個復雜的二次規(guī)劃問題。入侵高維數(shù)據(jù)維數(shù)之間存在著一定的依賴關(guān)系,發(fā)現(xiàn)這種關(guān)系,對高維進行變換,降低維數(shù)是提高SVM入侵檢測效率的一種途徑?;谝陨纤枷?,提出了兩種提高SVM檢測異常速度的方法,一是基于PCA和SVM的異常檢測方法,采用PCA對入侵數(shù)據(jù)進行線性變換,降低其維

3、數(shù),將低維入侵數(shù)據(jù)作為支持向量機的輸入進行訓練,從而提高了異常檢測的速度;二是基于協(xié)議區(qū)分、數(shù)據(jù)約簡與支持向量機的異常檢測方法,減少異構(gòu)數(shù)據(jù)學習和廣泛檢測的弊端,具有針對性的對某一種協(xié)議進行異常檢測,減少檢測時間和準確度。我們分三種情況在Kddcup’99數(shù)據(jù)集上進行了實驗,結(jié)果表明,提出的方法準確度有所提高,訓練時間和檢測時間明顯減少。接著討論了網(wǎng)絡流量自相似性并提出了基于小波分析的異常檢測方法。使用隨機產(chǎn)生的時間序列、以太網(wǎng)(Eth

4、emet)正常網(wǎng)絡流量、視頻流(VBR),驗證了網(wǎng)絡流量具有自相似性;給出了使用Hurst參數(shù)與Lyapunov指數(shù)進行異常檢測的方法,實驗結(jié)果表明兩種方法可以進行異常檢。提出了基于小波分析的異常檢測方法,實驗結(jié)果表明小波分析方法對異常比較敏感,能正確區(qū)分繁忙業(yè)務與異常;給出了最佳檢測Hurst參數(shù)小波選擇的理論推導,基于實驗得到了小波選擇的規(guī)律:在一定的范圍,隨著消失矩增大,局部上日值時大時小,總體上日值在減小,消失矩越小,分解級數(shù)越

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)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 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)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(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