SVM集成与增量算法在入侵检测中的应用研究

发布时间：2020-06-20 21:58

【摘要】：现如今,网络安全问题日显突出。入侵检测技术作为强有力的安全防护手段成为研究的焦点。现有的入侵检测技术主要表现出检测准确率及效率不高、系统鲁棒性较差和自适应能力差等问题,本文设计合理的方法用于解决上述问题。入侵检测本质是一种二分类问题。本文以支持向量机(SVM)为入侵检测系统中检测引擎的基础分类器,设计出并行集成的分类算法,称为BPSVM算法。对处理新增数据,提出KKT-RS-SVM增量算法。本文主要研究内容如下:(1)提出改进的基于Bagging的并行集成分类算法(BPSVM算法)。在并行组件的设计中,选取主成分分析(PCA)技术,优化高维的入侵检测数据,有效提高分类器训练模型及预测数据的效率;采用并行的SVM分类器及多数投票法的集成策略,分类效果优于单一分类器,有效提高分类准确率;同时,并行的方法能有效避免单点失效问题,任一分类器出现故障将不影响系统的运行,提高系统鲁棒性。(2)在增量算法的局部设计中,提出改进的原样本保留集算法(RS算法),该算法充分考虑到原始样本中对分类精度有影响的向量,在一定程度上提高训练集增量后的分类效果。(3)在增量算法的整体设计中,使用RS算法保留原样本集,并结合KKT条件筛选新增样本,组成整体算法,即KKT-RS-SVM算法。该算法有效地将新增样本与原始样本有用信息组合成新的训练集,最大程度保留有效信息,有效更新训练集,提高系统对新样本的自适应能力。最后,使用经典入侵检测数据集KDD CUP99及最新数据集CICIDS2017测试BPSVM算法,及KKT-RS-SVM增量算法。实验结果表明,相比单一的PCASVM算法,BPSVM算法的平均分类准确率约提高3%;与并行SVM相比,BPSVM算法检测时间平均缩短约21.9%;另一方面,通过模拟单点失效证实BPSVM的鲁棒性。另外,通过模拟增量样本证明KKT-RS-SVM算法在入侵检测中可用性及具有较高的准确率。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP393.08;TP181
【图文】：

由检测模型抽象出的入侵检测过程如图 1-1 所示。图 1-1 入侵检测过程示意图1.3.2 入侵检测技术研究现状自 20 世纪 80 年代以来，入侵检测技术历时三十多年的陆续发展，从先前的一种有价值的研究理念和单纯的理论框架，快速演变出种类纷繁的各种实际原型系统，同时也不断涌现出各种性能越来越好的入侵检测系统产品。至今，入侵检测技术日趋成熟，成为计算机安全防护领域无可替代的重要安全防护技术。从 21 世纪初到现在，入侵检测技术的研究主要是基于网络，并向着混合型发展[6]。2004 年悉尼科技大学提出基于移动代理技术的分布式入侵检测体系结构，设计了入侵行为的全局信息抽取原型系统；2007 年，Bolzoni 为降低误警率，提出网络入侵检测系统报警确认的体系结构[7]。随着统计学理论与机器学习方法等在入侵检测领域的渗透[8]，入侵检测的核心技术逐渐向着智能化方向发展[9-11]，一些新的入侵检测技术相继出现，例如基于神经网络[12]、遗传算法[13,14]、数据分析[15,16]、人工免疫的系统和基于代理的检测系统等等

图 2-1 入侵检测中的算法设计结构图章小结介绍了入侵检测系统的需求，并对主流的解决入侵检测问题采取的比，分析了 SVM 算法应用于入侵检测中的优势。接着，对尚未解决了阐述，并给出了为解决对应难点本文所采用的解决策略，以及描述进的集成与增量算法在入侵检测中的结构。

【相似文献】

相关期刊论文 前10条

1 叶志雄;王丹弘;;基于海量数据的不平衡SVM增量学习的钓鱼网站检测方法[J];电信工程技术与标准化;2016年12期

2 齐兴;;结合主方向和SVM的人脸表情识别[J];廊坊师范学院学报(自然科学版);2016年04期

3 冯东梅;吴健伟;;矿井突水水源的SVM识别方法[J];辽宁工程技术大学学报(自然科学版);2017年01期

4 杨清;文红;陈松林;王玉秀;;基于SVM算法的移动智能终端安全等级分级模型[J];通信技术;2017年04期

5 满宴辰;杨成佳;;图像视觉显著性和改进型SVM在图像分割中的研究[J];通讯世界;2017年08期

6 程凤伟;;一种基于决策树的SVM算法[J];太原学院学报(自然科学版);2017年01期

7 吴翠颖;周涛;陆惠玲;姚中宝;王媛媛;杨鹏飞;;基于集成SVM的肺部肿瘤PET/CT三模态计算机辅助诊断方法[J];生物医学工程研究;2017年03期

8 汤海花;;基于SVM的医药企业财务危机预警研究[J];中国集体经济;2017年29期

9 王芳;吴志泉;史红权;;SVM在空中目标威胁值评估中的应用[J];火力与指挥控制;2017年09期

10 杨海兰;周培祥;;基于SVM的中国家族企业引入外部职业经理人风险预测研究[J];经济体制改革;2017年05期

相关会议论文 前10条

1 李薇;刘琦;马占鸿;;基于SVM法的小麦条锈病潜育期冠层高光谱识别研究[A];植保科技创新与农业精准扶贫——中国植物保护学会2016年学术年会论文集[C];2016年

2 杨镇宇;祝诗平;;基于机器视觉和SVM的花椒外观品质检测[A];2009全国虚拟仪器大会论文集（二）[C];2009年

3 张国栋;朱明华;余圣甫;张建强;李志远;;药芯焊丝飞溅率的SVM模型研究[A];第十五次全国焊接学术会议论文集[C];2010年

4 司爱威;冯辅周;江鹏程;饶国强;王建;;基于可变风险SVM模型的故障识别方法研究[A];第十届全国振动理论及应用学术会议论文集（2011）上册[C];2011年

5 滕卫平;胡波;滕舟;钟元;;SVM回归法在西太平洋热带气旋路径预报中的应用研究[A];S1 灾害天气研究与预报[C];2012年

6 陈志建;宋家骅;程琳;;基于小波SVM的高速公路交通事件检测算法[A];城市交通发展模式转型与创新——中国城市交通规划2011年年会暨第25次学术研讨会论文集[C];2014年

7 朱蕾;朱国栋;石江;;SVM方法在乌鲁木齐机场跑道视程预测中的应用[A];中国气象学会2007年年会天气预报预警和影响评估技术分会场论文集[C];2007年

8 王薇;李晓辉;;CDMA系统中基于SVM的多用户检测算法[A];第十九届电工理论学术年会论文集[C];2007年

9 王红军;徐小力;付瑶;;基于SVM的旋转机械故障诊断知识获取[A];第八届全国设备与维修工程学术会议、第十三届全国设备监测与诊断学术会议论文集[C];2008年

10 李玉峰;郑德权;赵铁军;;基于SVM和多特征融合的图像分类[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

相关博士学位论文 前10条

1 张婧;基于SVM的肺结节自动识别方法研究[D];华南理工大学;2011年

2 欧阳玲;基于遥感和SVM模型的松嫩平原南部耕地质量评价[D];中国科学院大学(中国科学院东北地理与农业生态研究所);2017年

3 陈沅涛;图像视觉显著性和改进型SVM在图像分割中的研究[D];南京理工大学;2014年

4 张克;基于地震正演模拟和SVM的煤与瓦斯突出危险区预测研究[D];中国矿业大学;2011年

5 宋国明;基于提升小波及SVM优化的模拟电路智能故障诊断方法研究[D];电子科技大学;2010年

6 陈志茹;基于SVM集成学习的miRNA靶基因预测研究[D];燕山大学;2015年

7 陈梅香;基于SVM和GIS的梨小食心虫预测系统的研究[D];北京林业大学;2010年

8 江娜;SVM及其在船舶航向控制系统故障预报中的应用研究[D];哈尔滨工程大学;2008年

9 黄剑锋;基于振动信号SVM的管壳式换热器堵塞故障诊断方法研究[D];华南理工大学;2016年

10 申丰山;样例权重估计及在此基础上的SVM[D];西安电子科技大学;2011年

相关硕士学位论文 前10条

1 王洪兵;SVM集成与增量算法在入侵检测中的应用研究[D];武汉理工大学;2018年

2 许丽;用SVM回归实验对大气污染数据的处理研究[D];天津财经大学;2018年

3 邓琼;道路交通标志的检测算法研究[D];安徽工程大学;2018年

4 金j;SVM与神经网络的组合模型在短期电力负荷预测中的应用研究[D];吉林大学;2018年

5 袁志辉;深度学习与SVM相融合的新闻分类技术研究[D];华北理工大学;2018年

6 钱坤;基于MSER和遗传优化SVM的交通标志识别的研究[D];大连理工大学;2018年

7 马田;基于混合核函数SVM与遗传参数优化的人脸识别研究[D];江苏科技大学;2018年

8 张猛;基于行业轮动策略的SVM多因子选股模型及投资效果实证分析[D];上海师范大学;2018年

9 姜伶伶;基于词向量和SVM的中文微博情感分类研究[D];重庆大学;2018年

10 王蒙蒙;基于鲁棒PCP特征和测度学习SVM的音乐和弦识别研究[D];天津大学;2017年

本文编号：2723026