基于稀疏模型组合的网络入侵分类

发布时间：2020-06-17 23:45

【摘要】：随着越来越多的计算机网络活动和在线敏感信息的流动,许多组织已经变得容易遭受各种类型的网络攻击。因此,保护网络系统免受入侵破坏和其他异常活动的攻击,对政府,公共和私营部门组织来说已变得非常重要。在某些情况下,传统加密方法和入侵防御系统(包括防火墙,访问控制和安全网络协议)会将恶意流量引入网络系统。入侵检测系统(IDS)是网络安全系统的一个众所周知的组件,它通过应用机器学习算法来检测新的和未知类型的网络攻击,从而有效地确保网络系统上的事务的安全。之前关于IDS的研究一直侧重于特定问题,例如过拟合,冗余特征和有限的训练样本,其中特征选择(FS)仍然是一个很大程度上未被探索的领域。本文旨在通过利用判别性特征选择,群特征选择,稀疏表示,组合方案和网络入侵分类等方法来填补这一空白。本论文的贡献可归纳如下:1.冗余和不相关特征的存在、有限数量的训练样本等问题在分类任务中引入了许多挑战,例如过拟合,高计算成本,缺乏模型可解释性和噪声敏感性。为了实现IDS的高精度,本文采用稀疏逻辑回归(SPLR)算法来解决FS和分类问题。该算法通过采用稀疏正则化方法,从原始特征池中选择一部分特征来进行分类。同时本文还提出了一种线性SPLR模型,该模型不仅能从数据集中选择判别性特征,还能学习到线性分类器的系数。与分离FS和分类过程的传统FS方法(例如,过滤(排名)和包装方法)相比,所提出的基于SPLR的方法将FS和分类任务组合成一个统一的框架。实验结果表明,本文提出的方法要优于大多数众所周知的用于入侵检测的技术。2.结构化SPLR(SSPLR)是SPLR的扩展,它选择重要的特征组别和单个特征,同时减少噪声和不相关特征(组)的干扰,以提高分类的性能。在IDS分类的情况中,稀疏性表明只有选定的特征(组)对分类器有用,并用以确定网络中的入侵类型。本文据此引入了一个有利于IDS系统进行分类的重要的特征(组)。最近,SSPLR方法通过引入结构性稀疏惩罚项(I_1,I_2)来分析和处理数据。在SSPLR中,特征之间的关联在建模的过程中被识别,而关于特征结构的先验信息可以被映射到诱导稀疏的范数中。SSPLR方法的优点在现实网络入侵数据集上得到了验证。3.针对IDS,本文提出了一种基于J48和朴素贝叶斯(NB)方法的混合挖掘算法,这两种算法都是在数据挖掘中针对分类任务突出有效的分类器。所提出的算法将输入的网络流量分类为正常或异常攻击,并且算法中的每个特征向量包括描述网络流量的41个特征值。该算法还解决了 IDS通常面临的一些困难,例如如何丢弃冗余特征,减少训练数据集中的矛盾记录的数量。本文同时利用检测准确度,灵敏度,特异性和F-测量等指标,对J48,NB和Bayes Net等方法进行了比较测试。所提出的采用了求和方案的混合挖掘算法实现了91.36%的检测精度,与J48或NB等方法相比,该算法在实际基准数据集上获得了明显更好的结果。
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TP393.08

【相似文献】

相关期刊论文 前10条

1 张红涛,胡玉霞,邱道尹;遗传算法在储粮害虫特征选择中的应用[J];华北水利水电学院学报;2004年03期

2 徐雷;阎平凡;常迥;;用于特征选择的BF算法及其与B&B算法的比较[J];自动化学报;1988年05期

3 杨锦英;王碧泉;;K—W检验和熵法在单个特征选择中的应用[J];华北地震科学;1989年02期

4 陈晋苏;特征选择在电信行业客户流失分析中的应用[J];科技资讯;2005年22期

5 范劲松,方廷健;特征选择和提取要素的分析及其评价[J];计算机工程与应用;2001年13期

6 江乃雄;蔡民;;综合距离特征选择问题解的存在性与唯一性[J];计算机应用与软件;1992年01期

7 钱学双;多重筛选逐步回归特征选择法及其应用[J];信息与控制;1986年05期

8 赵帅;张雁;徐海峰;;基于成对约束分的特征选择及稳定性评价[J];计算机与数字工程;2019年06期

9 余胜龙;赵红;;基于样本邻域保持的代价敏感特征选择[J];数据采集与处理;2018年02期

10 杜政霖;李云;;基于特征聚类集成技术的在线特征选择[J];计算机应用;2017年03期

相关会议论文 前10条

1 史彩娟;沙宇阳;刘健;闫晓东;刘利平;;基于自适应半监督稀疏特征选择的图像标注[A];第十届全国信号和智能信息处理与应用学术会议专刊[C];2016年

2 刘培磊;李满生;王挺;;蛋白质相互作用有向关系抽取的特征选择[A];第五届全国信息检索学术会议论文集[C];2009年

3 袁帅;杨宏晖;申f;;基于云模型的特征评价准则[A];第三届上海——西安声学学会学术会议论文集[C];2013年

4 申f;杨宏晖;袁帅;;用于水声目标识别的互信息无监督特征选择[A];第三届上海——西安声学学会学术会议论文集[C];2013年

5 李泽辉;聂生东;陈兆学;;应用多类SVM分割MR脑图像特征选择与优化的实验研究[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

6 李娜;曾向阳;;目标识别中的样本选择和特征选择联合算法研究[A];2009年西安-上海声学学术会议论文集[C];2009年

7 宋鹏;郑文明;赵力;;基于子空间学习和特征选择融合的语音情感识别[A];第十四届全国人机语音通讯学术会议（NCMMSC’2017）论文集[C];2017年

8 臧淼;徐惠民;张永梅;;基于局部约束和稀疏编码的自动图像标注[A];国防光电子论坛第二届激光雷达成像探测技术及应用研讨会论文集[C];2015年

9 俞士汶;王治敏;朱学锋;;文学语言与自然语言理解研究[A];中文信息处理前沿进展——中国中文信息学会二十五周年学术会议论文集[C];2006年

10 薛富强;葛临东;陈丽;;新的改进遗传算法用于调制信号特征选择[A];无线传感器网及网络信息处理技术——2006年通信理论与信号处理年会论文集[C];2006年

相关重要报纸文章 前7条

1 本报记者 李振辉;根据自身特征选择健身方式[N];广东科技报;2008年

2 海通证券 娄静邋吴先兴;把握风险收益特征选择最适合自己的基金[N];上海证券报;2007年

3 铁岭市第二高中 高军;让学生“动”起来[N];铁岭日报;2005年

4 郑卫东;高产鹅选种方法和标准[N];中国畜牧兽医报;2007年

5 《网络世界》记者 周源;云平台,只选对的[N];网络世界;2012年

6 郑军;高产鹅选种方法和标准[N];河南科技报;2016年

7 记者 丁宁;2012年,我们一起“追”的创新产品[N];上海证券报;2012年

相关博士学位论文 前10条

1 Reehan Ali Shah;基于稀疏模型组合的网络入侵分类[D];浙江大学;2019年

2 袁明冬;基于图的特征提取和特征选择及其应用研究[D];西安电子科技大学;2017年

3 胡小娟;基于特征选择的文本分类方法研究[D];吉林大学;2018年

4 任宇林;结构化预测中N元特征选择算法的研究[D];华中科技大学;2018年

5 滕旭阳;面向特征选择问题的优化方法研究[D];哈尔滨工程大学;2017年

6 张丽新;高维数据的特征选择及基于特征选择的集成学习研究[D];清华大学;2004年

7 高青斌;蛋白质亚细胞定位预测相关问题研究[D];国防科学技术大学;2006年

8 刘风;基于磁共振成像的多变量模式分析方法学与应用研究[D];电子科技大学;2014年

9 冯国忠;文本分类中的贝叶斯特征选择[D];东北师范大学;2011年

10 梁建宁;特征选择与图像匹配[D];复旦大学;2011年

相关硕士学位论文 前10条

1 马必焕;一种多任务特征选择金字塔及其在电力设备检测的应用[D];浙江大学;2019年

2 Wei Wang;P值的不稳定性与其他因素对统计特征选择的影响[D];天津大学;2018年

3 游仁春;基于特征选择聚类和张量分析的碳纤维增强复合材料超声缺陷识别[D];厦门大学;2017年

4 闫文凯;基于特征选择的致病SNP识别方法研究[D];南京农业大学;2017年

5 周至;复杂环境下无人工干预的室内定位算法研究[D];南京大学;2019年

6 任秀伟;基于嵌入式稀疏特征选择策略的降维算法研究[D];湖北工业大学;2018年

7 胡世赛;多样性增量特征选择技术的应用[D];内蒙古工业大学;2018年

8 黄晓娟;面向特征选择的Relief算法研究[D];苏州大学;2018年

9 杨钧;高维不完整数据的特征选择研究[D];辽宁大学;2018年

10 余胜龙;基于数据相关性的代价敏感特征选择[D];闽南师范大学;2018年

本文编号：2718347