基于参数优化SVM融合的网络异常检测

发布时间：2019-05-18 06:18

【摘要】：网络异常检测技术是入侵检测系统中不可或缺的部分。然而目前的入侵检测系统普遍存在检测率不高,误报率过高等问题,从而难以在实际的企业中大规模采用。针对之前的检测技术检测效果不佳的问题,提出基于SVM回归和改进D-S证据理论的入侵检测方法。该方法是将支持向量机回归的分类融合应用到网络异常行为分析中,在SVM参数选择时采用交叉验证和深度优先搜索算法进行优化选择,并通过融合证据理论,建立网络异常检测模型。通过仿真实验表明,该模型能够有效地提高入侵检测性能,缩短检测时间。
[Abstract]:Network anomaly detection technology is an indispensable part of intrusion detection system. However, the current intrusion detection system generally has some problems, such as low detection rate, high false alarm rate and so on, so it is difficult to adopt it on a large scale in practical enterprises. In order to solve the problem that the detection effect of the previous detection technology is not good, an intrusion detection method based on SVM regression and improved D / S evidence theory is proposed. In this method, the classification fusion of support vector machine regression is applied to the analysis of network abnormal behavior, and the cross-verification and depth-first search algorithm are used to optimize the selection of SVM parameters, and the evidence theory is integrated. The network anomaly detection model is established. The simulation results show that the model can effectively improve the performance of intrusion detection and shorten the detection time.
【作者单位】： 江南大学数媒学院;江苏省信息融合软件工程技术研发中心;
【基金】：国家自然科学基金项目(61103223) 江苏省自然科学基金重点研究专项项目(BK2011003) 江苏省信息融合软件工程技术研究开发中心开放基金项目(SR-2011-05)
【分类号】：TP393.08

【参考文献】

相关期刊论文 前3条

1 王宏;刘渊;;扩展D-S证据理论在网络异常检测中的研究[J];计算机工程与应用;2011年34期

2 诸葛建伟;王大为;陈昱;叶志远;邹维;;基于D-S证据理论的网络异常检测方法[J];软件学报;2006年03期

3 刘靖旭;蔡怀平;谭跃进;;支持向量回归参数调整的一种启发式算法[J];系统仿真学报;2007年07期

【共引文献】

相关期刊论文 前10条

1 郎风华;谷利泽;杨义先;钮心忻;;改进的冲突证据组合规则[J];北京邮电大学学报;2008年03期

2 肖敏;柴蓉;杨富平;范士喜;;基于可拓集的入侵检测模型[J];重庆邮电大学学报(自然科学版);2010年03期

3 付华;韩兵;孙红鸽;;煤矿安全异常检测的方法研究[J];传感器与微系统;2008年04期

4 鲍可进;高飞;;基于SVR的动平衡加工误差补偿方法[J];传感器与微系统;2010年10期

5 薛向红;薛小锋;;基于相空间重构—SVM的公交客流量预测研究[J];江苏技术师范学院学报;2010年09期

6 龚德良;程杰仁;王鲁达;吕明娥;刘平;;基于报文头与报文内容的入侵检测分析方法[J];湘南学院学报;2011年05期

7 左燕飞;季新生;刘彩霞;;一种移动核心网用户数据库访问控制模型[J];电讯技术;2009年04期

8 何英;韩元杰;陈艳;程丽芳;;两种入侵检测系统D-S证据理论融合算法的比较[J];计算机安全;2008年04期

9 郎风华;谷利泽;杨义先;钮心忻;;一种基于均衡交补分担准则的证据组合新方法[J];电子学报;2009年01期

10 欧阳辉;禄乐滨;;基于证据理论的论文元数据抽取算法研究[J];电子设计工程;2010年04期

相关会议论文 前1条

1 叶润国;胡建平;;基于主机活跃性和通信模式分析的实时异常流量检测[A];全国网络与信息安全技术研讨会论文集（上册）[C];2007年

相关博士学位论文 前10条

1 李建平;面向异构数据源的网络安全态势感知模型与方法研究[D];哈尔滨工程大学;2010年

2 刘效武;基于多源融合的网络安全态势量化感知与评估[D];哈尔滨工程大学;2009年

3 卓莹;基于拓扑·流量挖掘的网络态势感知技术研究[D];国防科学技术大学;2010年

4 王飞;入侵检测分类器设计及其融合技术研究[D];南京理工大学;2011年

5 张国翊;异构融合网络环境下基于认知的资源管理方法研究[D];北京邮电大学;2011年

6 马健丽;信息系统安全功能符合性检验关键技术研究[D];北京邮电大学;2010年

7 向先全;基于水信息技术的渤海湾水生态环境特性及模拟研究[D];天津大学;2011年

8 陈岳兵;面向入侵检测的人工免疫系统研究[D];国防科学技术大学;2011年

9 张晶;污水处理过程模拟及系统软件开发[D];大连理工大学;2011年

10 胡威;网络安全态势感知若干关键性问题研究[D];上海交通大学;2007年

相关硕士学位论文 前10条

1 李丽;基于学习的入侵检测算法研究[D];北京服装学院;2010年

2 王宏;基于异常检测的网络安全技术的研究[D];江南大学;2011年

3 吕丹丹;低频信号的锚杆动态响应特征研究[D];河北科技大学;2011年

4 丛维维;感知环境下异构网络协同流控机制设计与实现[D];北京邮电大学;2011年

5 龚德良;网络入侵检测系统的关键技术研究与实践[D];中南大学;2010年

6 梁好;基于熵的电话网攻击检测方法研究[D];电子科技大学;2011年

7 谭振;网络流量异常实时检测系统的设计与实现[D];山东大学;2011年

8 谭鑫;基于规则的计算机兵棋系统技术研究[D];国防科学技术大学;2010年

9 王雷;支持向量机预测煤储层渗透性[D];中国石油大学;2011年

10 付纪刚;基于支持向量机的边缘检测算法研究[D];西安科技大学;2011年

【二级参考文献】

相关期刊论文 前7条

1 张剑,龚俭;一种基于模糊综合评判的入侵异常检测方法[J];计算机研究与发展;2003年06期

2 王鹏,朱小燕;基于RBF核的SVM的模型选择及其应用[J];计算机工程与应用;2003年24期

3 李昆仑,黄厚宽,田盛丰,刘振鹏,刘志强;模糊多类支持向量机及其在入侵检测中的应用[J];计算机学报;2005年02期

4 赵晓峰;;基于D-S理论的入侵检测系统[J];计算机应用;2008年09期

5 饶鲜,董春曦,杨绍全;基于支持向量机的入侵检测系统[J];软件学报;2003年04期

6 诸葛建伟;王大为;陈昱;叶志远;邹维;;基于D-S证据理论的网络异常检测方法[J];软件学报;2006年03期

7 肖云,韩崇昭,郑庆华,王清;一种基于多分类支持向量机的网络入侵检测方法[J];西安交通大学学报;2005年06期

【相似文献】

相关期刊论文 前10条

1 翟永杰;杨金芳;王东风;韩璞;;支持向量回归在内模控制中的应用研究[J];仪器仪表学报;2006年S3期

2 周永生;唐升平;;基于支持向量机的雷达弹道外推方法研究[J];战术导弹技术;2007年02期

3 李太白;;基于混沌粒子群的SVM参数优化算法[J];重庆文理学院学报(自然科学版);2011年04期

4 田盛丰;黄厚宽;;支持向量机多专家决策算法[J];模式识别与人工智能;2000年02期

5 韩璞;于萍;王东风;黄保海;;基于支持向量回归的自适应逆控制方法[J];华北电力大学学报(自然科学版);2006年03期

6 吴景龙;杨淑霞;刘承水;;基于遗传算法优化参数的支持向量机短期负荷预测方法[J];中南大学学报(自然科学版);2009年01期

7 马元良;裴生雷;;基于改进遗传算法的SVM参数优化研究[J];计算机仿真;2010年08期

8 刘晓平;郑海起;祝天宇;;进化蒙特卡洛优化的SVM在故障诊断中的应用[J];振动.测试与诊断;2011年01期

9 周易;;基于支持向量机的上证指数开盘指数预测[J];软件;2011年05期

10 张庆;刘丙杰;;基于PSO和分组训练的SVM参数快速优化方法[J];科学技术与工程;2008年16期

相关会议论文 前10条

1 梅立泉;丁雪梅;张淑娟;;结构声振数据的相似性分析和预测[A];中国核科学技术进展报告——中国核学会2009年学术年会论文集（第一卷·第6册）[C];2009年

2 林杰华;张斌;李冬森;宋华茂;余志强;王浩;;支持向量机在电力客户信用评级中的应用[A];全国第21届计算机技术与应用学术会议（CACIS·2010）暨全国第2届安全关键技术与应用学术会议论文集[C];2010年

3 蒋铁军;张怀强;李积源;;多变量系统预测的支持向量机方法研究[A];管理科学与系统科学研究新进展——第7届全国青年管理科学与系统科学学术会议论文集[C];2003年

4 李云开;任树梅;杨培岭;田英杰;赵焕勋;;小流域土壤侵蚀模数的支持向量机预报模型研究[A];农业工程科技创新与建设现代农业——2005年中国农业工程学会学术年会论文集第六分册[C];2005年

5 林关成;李亚安;;基于ANN与SVM的分类和回归比较研究[A];2008’促进中西部发展声学学术交流会论文集[C];2008年

6 黄淑云;孙兴玉;梁汝萍;邱建丁;;基于小波支持向量机预测蛋白质亚细胞定位研究[A];第十一届全国计算（机）化学学术会议论文摘要集[C];2011年

7 谢湘;匡镜明;;支持向量机在语音识别中的应用研究[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年

8 涂冬成;薛龙;刘木华;赵进辉;沈杰;吁芳;;基于支持向量机的鹅肉肉色客观评定研究[A];中国农业工程学会电气信息与自动化专业委员会、中国电机工程学会农村电气化分会科技与教育专委会2010年学术年会论文摘要[C];2010年

9 杨凌;刘玉树;;基于支持向量机的坦克识别算法[A];第三届全国数字成像技术及相关材料发展与应用学术研讨会论文摘要集[C];2004年

10 师旭超;巴松涛;;基于支持向量机方法的深基坑变形预测[A];科技、工程与经济社会协调发展——河南省第四届青年学术年会论文集（上册）[C];2004年

相关重要报纸文章 前10条

1 记者 宋伟芳;IBM回归本质[N];中国企业报;2001年

2 李天伦;权利回归与时代进步[N];甘肃日报;2002年

3 匡峰;国际周上演人才大回归[N];中国高新技术产业导报;2001年

4 本报记者 马宁秀;新世纪·电子商务回归本质[N];国际商报;2001年

5 ;IBM：电子商务回归本质[N];中国计算机报;2001年

6 本报记者 张玫;回归电子商务本质[N];中国旅游报;2001年

7 ;IBM：电子商务 回归本质[N];网络世界;2001年

8 ;台在野三党要求回归“九二共识”[N];新华每日电讯;2000年

9 宋国城;风险投资回归理性[N];国际商报;2000年

10 彭俐;银幕：英雄回归说明了什么？[N];北京日报;2001年

相关博士学位论文 前10条

1 张超;基于支持向量机的汽轮机轴系振动故障智能诊断研究[D];华北电力大学（河北）;2009年

2 杜小芳;基于CPFR的农产品采购模型研究[D];华中科技大学;2005年

3 刘育明;动态过程数据的多变量统计监控方法研究[D];浙江大学;2006年

4 栾锋;支持向量机（SVM）和径向基神经网络（RBFNN）方法在化学、环境化学和药物化学中的应用研究[D];兰州大学;2006年

5 孙薇;市场条件下抽水蓄能电站效益综合评价及运营模式研究[D];华北电力大学（河北）;2007年

6 常群;支持向量机的核方法及其模型选择[D];哈尔滨工业大学;2007年

7 朱燕飞;锌钡白回转窑煅烧过程智能建模研究[D];华南理工大学;2005年

8 田英杰;支持向量回归机及其应用研究[D];中国农业大学;2005年

9 燕忠;基于蚁群优化算法的若干问题的研究[D];东南大学;2005年

10 任东;基于支持向量机的植物病害识别研究[D];吉林大学;2007年

相关硕士学位论文 前10条

1 曾嵘;支持向量机在设备故障诊断中的应用研究[D];中南大学;2005年

2 郑一华;基于支持向量机的水质评价和预测研究[D];河海大学;2006年

3 周林英;基于支持向量机的高速公路事件检测算法[D];长安大学;2009年

4 刘艳伟;支持向量机方法在感潮河段洪峰水位预报中的应用[D];浙江大学;2010年

5 杨镭;支持向量机算法设计及在高分辨雷达目标识别中的应用[D];国防科学技术大学;2010年

6 童振;基于支持向量机的电解液成分预测[D];东北大学;2008年

7 聂小芳;模糊粗糙集与支持向量机在煤与瓦斯突出预测中的应用研究[D];辽宁工程技术大学;2009年

8 鄢常亮;基于支持向量机的高炉向凉向热炉况预测研究[D];内蒙古科技大学;2010年

9 韩叙东;基于支持向量机的水电故障分类器的设计与实现[D];东北大学;2008年

10 冯杰;慢时变对象的支持向量机建模与在线校正方法研究[D];东北大学;2009年

，

本文编号：2479752