自适应的贝叶斯网在入侵检测中的应用研究
本文关键词：自适应的贝叶斯网在入侵检测中的应用研究，由笔耕文化传播整理发布。
【摘要】：入侵检测技术作为保护网络安全的重要技术手段,自第一次被提出至今已经有了20多年的时间。由于网络环境的不断变化和黑客技术的不断的提高,网络攻击的手段也越来越复杂,对入侵检测技术的要求越来越高。寻求一种具有自适应性、高检测精度、高检测效率的入侵检测技术模型是本文的研究目标。在数据挖掘领域,贝叶斯分类算法因为其推理和预测的高准确性,成为数据分类中一种非常重要的方法。因此,很多研究人员尝试把贝叶斯分类算法应用到入侵检测模型的研究中,取得了不错的效果。但是,入侵检测的模型除了对检测的精度有很高的要求外,还要求具有一定的高效性并且能够根据当前网络环境攻击行为的变化做出自适应的应对。本文将基于粗糙集理论的属性约减算法和基于滑动窗口的窗口扩展算法结合到贝叶斯分类算法当中,并在此基础上提出了一种自适应贝叶斯网络算法。该算法使用基于粗糙集理论的属性简约算法对训练样本集进行降维处理,简约特征属性列从而减少构造贝叶斯网络时的运算成本;利用窗口扩展算法动态更新训练样本集,使得训练样本能够实时反映当前系统安全状况;研究贝叶斯网在不同训练样本情况下节点之间互信息的变化,并通过定义一个欧式距离来衡量节点之间互信息的这种变化,找到贝叶斯网络结构差异性与互信息变化之间的关系,在此基础上实现贝叶斯网络结构的自适应更新提高检测模型的自适应性。实验表明,该算法应用于入侵检测当中,不但减少了计算量,提高了检测效率,而且当不同训练样本下节点间互信息的相对欧式距离大于给定的阈值ε=1.15时候贝叶斯网络结构与之前相比发生较大的改变,分类的精度也下降明显,此时对贝叶斯网络进行结构的更新,分类的精度有了明显的提高,提高了检测模型的自适应性。
【关键词】：入侵检测 贝叶斯网络 粗糙集 自适应 窗口扩展 互信息理论
【学位授予单位】：北方民族大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.08;TP18
【目录】：
- 摘要3-4
- Abstract4-9
- 第一章 绪论9-14
- 1.1 论文研究背景及意义9-10
- 1.2 国内外研究现状10-11
- 1.3 入侵检测目前存在的问题11-12
- 1.4 本文研究的主要内容12-14
- 第二章 入侵检测系统概述14-23
- 2.1 入侵检测的概念14
- 2.2 入侵检测的分类14-16
- 2.3 当前主流的检测技术16-18
- 2.4 入侵检测技术的发展趋势18-19
- 2.5 入侵检测的基本流程19
- 2.6 本文采用的实验数据19-21
- 2.7 本章小结21-23
- 第三章 粗糙集属性约简算法23-29
- 3.1 粗糙集基本理论基础23-24
- 3.1.1 信息表、可定义集、不可分辨性23-24
- 3.1.2 粗糙集、上近似集、下近似集24
- 3.2 属性约简24-25
- 3.2.1 属性的约简和核24-25
- 3.3 属性约简算法25-27
- 3.3.1 基于属性重要度的属性约简算法25-26
- 3.3.2 基于可辨识矩阵的属性约简算法26-27
- 3.3.3 一般属性约简算法27
- 3.4 本文采用的约简算法27-28
- 3.5 本章小结28-29
- 第四章 基于贝叶斯网络的入侵检测技术29-41
- 4.1 有关概率论的基础知识29-30
- 4.2 贝叶斯分类算法30-32
- 4.3 贝叶斯网络的简单介绍32-37
- 4.3.1 基本概念32-33
- 4.3.2 贝叶斯网络结构学习算法33-34
- 4.3.3 本文采用的贝叶斯网络结构学习算法34-36
- 4.3.4 贝叶斯网络参数学习36-37
- 4.4 贝叶斯网络在入侵检测中的应用37-40
- 4.4.1 实验过程37-39
- 4.4.2 实验的结果39-40
- 4.4.3 实验结论40
- 4.5 本章小结40-41
- 第五章 一种自适应的贝叶斯网络算法41-50
- 5.1 贝叶斯网络的自适应性41
- 5.2 基于滑动窗口的窗口扩展算法41-43
- 5.3 一种自适应的贝叶斯网络算法43-44
- 5.4 实验过程与结果分析44-49
- 5.5 本章小结49-50
- 第六章 结论和未来工作的安排50-52
- 致谢52-53
- 参考文献53-56
- 攻读学位期间发表的论文56
【相似文献】
中国期刊全文数据库 前10条
1 秦拯,沈亚敏;基于贝叶斯网络的告警相关算法研究[J];长沙电力学院学报(自然科学版);2005年03期
2 范生万;王浩;;贝叶斯网络在高职英语应用能力考试中的应用研究[J];安徽工程科技学院学报(自然科学版);2007年04期
3 王勇;李净;;基于改进的朴素贝叶斯分类的手机垃圾短信识别研究[J];江西科学;2008年05期
4 王学玲;;贝叶斯网络分类模型研究及其在信用评估中的应用[J];计算机与数字工程;2010年08期
5 王勇;;基于群的朴素贝叶斯分类[J];中小企业管理与科技(上旬刊);2011年01期
6 孙笑微;;贝叶斯分类技术在高校教师教学质量评价中的应用[J];沈阳师范大学学报(自然科学版);2014年01期
7 王峻;;一种基于强属性限定的贝叶斯分类模型[J];计算机技术与发展;2007年02期
8 田子德;王国君;;网络环境下学生自主学习的贝叶斯评价[J];白城师范学院学报;2007年06期
9 杨彩虹;黄本雄;;基于贝叶斯信念网的网络流量分类与识别研究[J];计算机应用与软件;2011年01期
10 胡文斌;孟波;王少梅;;基于贝叶斯网络的权重自学习方法研究[J];计算机集成制造系统;2005年12期
中国重要会议论文全文数据库 前6条
1 袁野;胡邦辉;刘丹军;苏宏琛;;基于贝叶斯分类判别方法的雷暴预报研究[A];第26届中国气象学会年会灾害天气事件的预警、预报及防灾减灾分会场论文集[C];2009年
2 李千目;严悍;刘静;王宗月;张宏;刘凤玉;;基于贝叶斯网络的网络性能诊断系统[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年
3 马后锋;樊兴华;;一种改进的增量贝叶斯分类算法[A];2007'仪表，，自动化及先进集成技术大会论文集（一）[C];2007年
4 邓红;陈丹;周方;;基于贝叶斯网络的多主题对话管理方法研究[A];2010通信理论与技术新发展——第十五届全国青年通信学术会议论文集（下册）[C];2010年
5 周德全;;离散贝叶斯分类算法及分类误差估计[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年
6 陈猛;郭华平;范明;;一种基于贝叶斯的多窗口数据流分类模型[A];第二十五届中国数据库学术会议论文集（二）[C];2008年
中国博士学位论文全文数据库 前3条
1 冯e
本文编号：279142
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/279142.html
