基于粗糙集和贝叶斯网络的入侵检测算法研究

发布时间：2019-07-10 19:00

【摘要】：近年来，随着互联网的发展，在互联网给人们带来了各种享受的同时，也带来了各种安全问题，入侵攻击就是其中严重的安全问题之一。入侵检测是在传统的安全防御系统基础上又增加的一个安全措施，提供了对各种操作的实时保护，可有效的保护网络使其在可能遭受入侵之前就能够检测到入侵行为，是一种积极主动的安全防护技术。伴随着因特网的迅猛发展，网络规模日益庞大，网络环境日益复杂，发生的网络攻击事件呈现大幅上升趋势。因而，必须有效地改进现有入侵检测算法的速度和精度。在各种检测算法中，贝叶斯分类算法是数据挖掘方法中一种高效、快速的分类算法，是最重要的分类算法之一。近年来，基于贝叶斯网络的数据挖掘取得了良好的效果，成为研究热点，，也成为了入侵检测技术的一个重要研究方向。传统的贝叶斯网络分类算法以完整数据为前提，而现实中，由于各种原因，截取到的网络数据往往会有许多丢失。因此，传统的贝叶斯网络学习算法，将难以有效适用于具有缺失数据的入侵检测系统。为此，本文提出了一种新的检测算法。新算法先利用粗糙集的属性约简算法，对缺失数据集进行属性约简，解决因属性过多而导致的贝叶斯网络结构复杂、训练和测试过程计算量过大、系统资源消耗过多的问题；之后提出具有缺失数据的贝叶斯网络学习算法：基于分布的贝叶斯网络结构学习算法。基于粗糙集的属性约简方法，对具有缺失数据的数据集，有很好的属性约简效果，能有效去除冗余属性，大大降低分类器的计算复杂度。同时，基于分布的贝叶斯网络结构学习算法，将有缺失数据的属性项，根据频数合理地分配到有关观测值的频数中，充分利用了不完整数据集中所包含的信息。实验表明，新算法有效地提高了检测的速度和精度。
【学位授予单位】：北方民族大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP393.08;TP18

【参考文献】