基于粗糙集与分类算法的网络异常行为检测技术研究

发布时间：2017-04-05 02:09

  本文关键词：基于粗糙集与分类算法的网络异常行为检测技术研究，由笔耕文化传播整理发布。

【摘要】：网络应用系统越来越多,伴随而来的是各种各样的网络攻击行为。目前使用数据挖掘算法进行网络异常行为检测的研究取得了一定的成果,但是由于网络攻击的复杂性和多样性,这些研究在检测效率与质量方面仍然存在优化空间,因此继续研究异常行为检测技术具有重要意义。针对目前的检测技术所存在的效率与质量问题,本文探索了一种基于粗糙集与分类算法的网络异常行为检测技术。首先,针对检测效率问题,本文从理论层面分析了粗糙集约简算法对网络流量进行降维处理的可行性。同时,与日俱增的流量数据会导致整体降维时间越来越长,对此本文提出了基于等价类的增量式粗糙集约简算法,该方法利用已有网络流量的约简结果及相关等价类对新增流量进行增量式约简,通过实验证明了基于等价类的增量式约简可以缩短约简时间,减少所占用的计算资源,并且随着数据量的增加,约简效率的提升更加明显。其次,本文讨论了基于K近邻算法的网络异常行为检测模型的优缺点,并在此基础上提出了基于K维树的优化模型。该模型将网络流量训练数据进行一定层次上的空间位置划分,以便于后续K个最近邻居的快速查找,从而达到快速检测的目的。通过实验证明基于K维树的改进模型在保持检测率不变的前提下,可以提高网络异常行为检测的时间效率。然后,基于对粗糙集、贝叶斯、决策树和K近邻的理论分析,本文设计并实现了一个面向服务的网络异常检测原型系统,该系统基于面向服务的体系结构,以能够灵活组装服务为基本原则,将网络异常行为检测技术的各个环节拆分成原子化的服务,并在此基础上添加了数据降维服务。最后,本文利用网络异常检测原型系统所提供的各种服务进行了回归验证：其中基础算法验证证明了基于粗糙集的各个单一分类模型可以整体提高网络异常检测系统的训练效率和检测效率。组合算法验证证明了将多个单一分类模型进行组合后所得的检测模型,综合了单一模型的优点,具有更高的检测率和更低的误报率,可以提高网络异常检测系统的检测质量。
【关键词】：粗糙集 分类算法 数据挖掘 网络异常行为检测
【学位授予单位】：中国工程物理研究院
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.08
【目录】：

• 摘要3-4
• abstract4-8
• 第一章 绪论8-15
• 1.1 课题研究背景8-10
• 1.1.1 课题背景8-9
• 1.1.2 常见网络攻击9-10
• 1.2 课题来源和选题意义10
• 1.2.1 课题来源10
• 1.2.2 选题意义10
• 1.3 国内外研究现状10-12
• 1.3.1 网络异常行为检测技术概述10-11
• 1.3.2 数据挖掘在网络异常行为检测领域的研究进展11-12
• 1.3.3 粗糙集理论在网络异常行为检测领域的研究进展12
• 1.4 论文研究内容与结构12-14
• 1.5 本章小结14-15
• 第二章 粗糙集理论及分类算法15-24
• 2.1 引言15
• 2.2 粗糙集理论15-17
• 2.3 粗糙集在网络异常行为检测中的应用17-18
• 2.3.1 网络异常行为检测的粗糙集等价17
• 2.3.2 基于粗糙集约简的网络流量特征选择17-18
• 2.4 分类分析18-22
• 2.4.1 贝叶斯分类18-19
• 2.4.2 决策树分类19-21
• 2.4.3 K近邻分类21-22
• 2.5 分类算法在网络异常行为检测中的应用22-23
• 2.6 本章小结23-24
• 第三章 基于等价类的粗糙集约简算法的增量式改进24-31
• 3.1 引言24
• 3.2 粗糙集约简算法24-27
• 3.2.1 基于正域的粗糙集约简算法24-25
• 3.2.2 基于信息熵的粗糙集约简算法25-26
• 3.2.3 基于知识粒度的粗糙集约简算法26-27
• 3.3 等价类的增量式改进27-28
• 3.4 实验验证28-30
• 3.4.1 实验环境28
• 3.4.2 实验数据简介28-29
• 3.4.3 数据处理流程29-30
• 3.5 本章小结30-31
• 第四章 基于KD-Tree的快速KNN网络异常检测方法31-38
• 4.1 引言31
• 4.2 KNN检测模型的优缺点及优化31-34
• 4.2.1 KNN优缺点及优化策略31-32
• 4.2.2 KD-Tree理论的应用现状32
• 4.2.3 KD-Tree结构及构建32-33
• 4.2.4 利用KD-Tree查找K个近邻33-34
• 4.3 实验验证34-37
• 4.3.1 优化的K近邻异常检测流程34-35
• 4.3.2 实验步骤35-37
• 4.4 本章小结37-38
• 第五章 面向服务的网络异常检测原型系统38-57
• 5.1 引言38
• 5.2 面向服务的网络异常检测原型系统的总体设计38-44
• 5.2.1 架构设计38-39
• 5.2.2 业务逻辑39-40
• 5.2.3 功能设计40-41
• 5.2.4 技术路线41-42
• 5.2.5 程序结构42-43
• 5.2.6 服务端设计43
• 5.2.7 客户端设计43-44
• 5.3 面向服务的网络异常检测原型系统的详细设计44-48
• 5.3.1 数据模块44-45
• 5.3.2 预处理模块45-46
• 5.3.3 特征选择模块46
• 5.3.4 训练模块46-47
• 5.3.5 检测模块47-48
• 5.4 原型系统验证48-56
• 5.4.1 基础算法验证48-52
• 5.4.2 组合算法验证52-56
• 5.5 本章小结56-57
• 第六章 总结与展望57-58
• 6.1 论文总结57
• 6.2 工作展望57-58
• 致谢58-59
• 参考文献59-63
• 附录63

【相似文献】

中国期刊全文数据库 前10条

1 邱兆雷;范颖;王爱云;;粗糙集理论及进展[J];信息技术与信息化;2006年05期

2 徐伟华;张文修;;覆盖广义粗糙集的模糊性[J];模糊系统与数学;2006年06期

3 石杰;;粗糙集理论及其应用研究[J];科技信息;2008年33期

4 唐彬;;粗糙集理论和应用研究[J];内江科技;2008年03期

5 胡军;王国胤;;覆盖粗糙集的模糊度[J];重庆邮电大学学报(自然科学版);2009年04期

6 燕红文;康向平;张丽;;依赖空间与粗糙集理论[J];农业网络信息;2009年09期

7 林国平;;覆盖广义粗糙集与信任函数[J];漳州师范学院学报(自然科学版);2010年02期

8 王石平;祝峰;朱培勇;;基于抽象相关关系的粗糙集研究[J];南京大学学报(自然科学版);2010年05期

9 成新文;陈国超;李琦;;关于粗糙集的理论及应用研究[J];煤炭技术;2010年10期

10 林治;张璇;;粗糙集理论的应用探析[J];邢台职业技术学院学报;2011年03期

中国重要会议论文全文数据库 前10条

1 黎文航;陈善本;王兵;;粗糙集理论在焊接中的应用综述[A];第十一次全国焊接会议论文集（第2册）[C];2005年

2 尹宗成;;粗糙集理论在我国粮食产量预测中的应用[A];现代农业理论与实践——安徽现代农业博士科技论坛论文集[C];2007年

3 邹刚;滕书华;孙即祥;陈森林;敖永红;;一种粗糙集优化协同原型模式约简分类方法[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

4 葛丽;傅彦;;粗糙集在科学数据属性约简中的应用[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

5 陈雪飞;;粗糙集分类中耦合数据的处理方法研究[A];2008年全国开放式分布与并行计算机学术会议论文集(上册)[C];2008年

6 肖健梅;芦晓明;王锡淮;;集装箱起重机防摇系统粗糙集控制[A];第二十六届中国控制会议论文集[C];2007年

7 王印松;冯康;;主汽温调节系统性能评价的粗糙集实现方法[A];第二十七届中国控制会议论文集[C];2008年

8 王红萍;万程亮;金彦丰;;应用粗糙集理论的对抗效果权重确定方法[A];2009’中国西部地区声学学术交流会论文集[C];2009年

9 王莉;周献中;;一种基于粗糙集的模糊神经网络模型在钢材力学性能预测中的研究[A];2009年中国智能自动化会议论文集（第二分册）[C];2009年

10 卓明;王丽珍;谭旭;;基于粗糙集近似集扩展的规则提取算法[A];第十七届全国数据库学术会议论文集（技术报告篇）[C];2000年

中国博士学位论文全文数据库 前10条

1 唐孝;基于粗糙集的知识发现方法及其在ECG信号识别中的应用[D];电子科技大学;2015年

2 曾凯;邻域粒化粗糙计算的关键技术研究与应用[D];电子科技大学;2015年

3 鲍忠奎;面向不确定信息系统的粗糙集扩展模型研究[D];合肥工业大学;2015年

4 王永生;基于粗糙集理论的动态数据挖掘关键技术研究[D];北京科技大学;2016年

5 薛佩军;正负域覆盖广义粗糙集与知识粗传播研究[D];山东大学;2007年

6 孔芝;粗糙集理论若干问题的研究与应用[D];东北大学;2009年

7 秦中广;基于粗糙集的交叉研究及其在中医诊断的应用[D];华南理工大学;2002年

8 刘少辉;知识发现中粗糙集理论的研究[D];中国科学院研究生院（计算技术研究所）;2003年

9 邓大勇;基于粗糙集的数据约简及粗糙集扩展模型的研究[D];北京交通大学;2007年

10 孙英娟;基于粗糙集的分类方法研究[D];吉林大学;2011年

中国硕士学位论文全文数据库 前10条

1 张德齐;基于粗糙集理论的电机故障诊断方法研究[D];渤海大学;2015年

2 杨礼;基于粗糙集的公路交通安全预警研究[D];西南交通大学;2015年

3 朱争琼;多知识抽取在脑认知中的应用[D];大连海事大学;2016年

4 尹哲;基于粗糙集的决策树分类方法研究[D];大连海事大学;2016年

5 李卓军;基于粒子群算法和粗糙集的属性约简研究[D];中国石油大学(华东);2014年

6 梁文惠;基于粗糙集理论构建项目级企业社会责任管理指标体系[D];清华大学;2015年

7 吴健阳;基于典型相关性分析的粗糙集属性约简研究及其并行化实现[D];南京大学;2014年

8 黄双双;基于粗糙集和突变模型的江西省生态经济发展水平评价研究[D];东华理工大学;2016年

9 张佃伦;基于粗糙集的聚类算法及其在入侵检测中的应用[D];青岛科技大学;2015年

10 邱玉颖;基于模糊内积依赖度及辨识矩阵的属性约简[D];渤海大学;2016年

  本文关键词：基于粗糙集与分类算法的网络异常行为检测技术研究，由笔耕文化传播整理发布。

，

本文编号：286290