基于SVM和融合技术的入侵检测研究

发布时间：2018-04-12 13:27

  本文选题：入侵检测 + D-S融合　； 参考：《科技通报》2013年05期

【摘要】：研究网络异常入侵检测问题。将SVM和融合技术应用于入侵检测领域,解决了传统SVM算法易产生训练参数选择不当,检测效率和分类精度低的问题。实现了对特征库中各特征量根据报警信息时间序列的预测进行优化和更新,有效地降低了算法的时间复杂度和空间复杂度,提高入侵检测系统对已有特征量对应攻击的识别效率。实验结果表明,该融合算法训练时间短、分类精度高、测试时间减少,误报率和漏报率低,有效提高了入侵检测系统的准确性和实时性。是一种有效可行的入侵检测方法。
[Abstract]:The problem of network anomaly intrusion detection is studied.SVM and fusion techniques are applied to intrusion detection to solve the problems of improper selection of training parameters and low detection efficiency and classification accuracy in the traditional SVM algorithm.The algorithm is optimized and updated according to the prediction of alarm information time series, and the time complexity and space complexity of the algorithm are reduced effectively.Improve the efficiency of intrusion detection system to identify the corresponding attacks of existing features.The experimental results show that the fusion algorithm has the advantages of short training time, high classification accuracy, reduced test time, low false alarm rate and low false alarm rate, which can effectively improve the accuracy and real-time performance of the intrusion detection system.It is an effective and feasible intrusion detection method.
【作者单位】： 黄淮学院信息工程学院;
【基金】：河南省科自然科学项(112102210335)
【分类号】：TP393.08

【参考文献】

相关期刊论文 前8条

1 冯婷;吴建德;袁徐轶;范玉刚;黄国勇;;基于LLSSVM的MUH高度信息融合技术的研究[J];传感器与微系统;2011年12期

2 林杨;刘贵全;杨立身;;基于改进SVM方法的入侵检测[J];计算机工程;2007年14期

3 王树;杜启军;余桂贤;余生晨;李广平;徐亚飞;薛阳;王晓伟;;网络入侵检测系统的最优特征选择方法[J];计算机工程;2010年15期

4 吴春琼;;基于特征选择的网络入侵检测模型[J];计算机仿真;2012年06期

5 唐朝伟;李超群;燕凯;严鸣;;基于LISOMAP的相关向量机入侵检测模型[J];计算机应用;2012年09期

6 阎巍;南洋;;一种改进的基于SVM的网络入侵检测算法[J];科技通报;2012年10期

7 谢雪莲;杨海波;;SVM在网络流量异常检测中的应用研究[J];计算机时代;2012年09期

8 龚尚福;赵春兰;厍向阳;;基于R-SVM的网络入侵检测系统[J];计算机工程与设计;2012年10期

【共引文献】

相关期刊论文 前7条

1 卢芬;张成新;;路由器中基于支持向量机(SVM)的异常检测方法研究[J];计算机安全;2010年01期

2 俞晓冬;周栾爱;;基于改进SVM模型的电能质量扰动分类[J];电力系统保护与控制;2010年03期

3 王鹏英;黄海;黄晓平;;基于加权特征筛选的入侵检测系统[J];计算机科学;2012年01期

4 王春东;陈英辉;常青;邓全才;王怀彬;;基于特征相似度的贝叶斯网络入侵检测方法[J];计算机工程;2011年21期

5 黄小龙;;改进的支持向量机无线网络安全检测算法模型[J];科技通报;2012年02期

6 张宗飞;;基于量子进化算法的网络入侵检测特征选择[J];计算机应用;2013年05期

7 康松林;周玖玖;李琼;;入侵检测中支持向量机参数选择方法[J];中国科技论文;2012年10期

相关硕士学位论文 前3条

1 王明生;网络入侵检测系统研究[D];北京化工大学;2011年

2 张倩;基于机器学习的入侵检测[D];浙江大学;2008年

3 章文明;基于异常概率和隐马尔科夫模型的资源滥用行为检测研究[D];南华大学;2012年

【二级参考文献】

相关期刊论文 前10条

1 苏思;姜礼平;邹明;;基于多分类支持向量机和证据合成方法的多传感器信息融合研究[J];兵工自动化;2010年01期

2 杨宏宇;李春林;;采用FA和SVDFRM的SVM入侵检测分类模型[J];电子科技大学学报;2009年02期

3 张雪芹;顾春华;吴吉义;;异常检测中支持向量机最优模型选择方法[J];电子科技大学学报;2011年04期

4 牟永敏;李美贵;梁琦;;入侵检测系统中模式匹配算法的研究[J];电子学报;2006年S1期

5 周鸣争;楚宁;强俊;;基于构造性核覆盖算法的异常入侵检测[J];电子学报;2007年05期

6 高海华;杨辉华;王行愚;;基于PCA和KPCA特征抽取的SVM网络入侵检测方法[J];华东理工大学学报(自然科学版);2006年03期

7 张雪芹;顾春华;吴吉义;;基于约简支持向量机的快速入侵检测算法[J];华南理工大学学报(自然科学版);2011年02期

8 肖海军;王小非;洪帆;崔国华;;基于特征选择和支持向量机的异常检测[J];华中科技大学学报(自然科学版);2008年03期

9 李辉,管晓宏,昝鑫,韩崇昭;基于支持向量机的网络入侵检测[J];计算机研究与发展;2003年06期

10 谷雨;徐宗本;孙剑;郑锦辉;;基于PCA与ICA特征提取的入侵检测集成分类系统[J];计算机研究与发展;2006年04期

相关博士学位论文 前2条

1 吴艳;多传感器数据融合算法研究[D];西安电子科技大学;2003年

2 张琨;基于生物免疫学的入侵检测系统的研究与实现[D];南京理工大学;2003年

相关硕士学位论文 前1条

1 扶宗文;基于粗糙集与支持向量机的入侵检测研究[D];长沙理工大学;2010年

【相似文献】

相关期刊论文 前10条

1 高海华;杨辉华;王行愚;;基于BPSO-SVM的网络入侵特征选择和检测[J];计算机工程;2006年08期

2 毛俐e，

本文编号：1739944