基于机器学习的入侵检测技术研究与实现

发布时间：2021-11-07 16:04

　　目前大多数入侵检测系统都是基于一个特定的预定义模式（特征值）来匹配已知的攻击功能。基于特征值的方法的主要局限性在于它不识别新的攻击,甚至不识别已知漏洞中的微小变化。该文基于机器学习技术,采用k-means聚类算法和支持向量机分类算法,能够自动构造正常分组有效载荷的分布并检测其偏差。实验表明,机器学习算法比大多数使用的开源snort系统有更高的检测精度。 

【文章来源】：电脑知识与技术. 2020,16(10)

【文章页数】：3 页

【部分图文】：

IDS架构

【参考文献】：
期刊论文
[1]基于混合神经网络的问题分类方法[J]. 陈柯锦,许光銮,郭智,梁霄.  计算机与现代化. 2018(09)
[2]基于密度峰和划分的快速聚类算法[J]. 琚书存,程文杰,徐建鹏,徐祥,徐阳.  计算机与现代化. 2018(08)
[3]基于机器学习的入侵检测方法对比研究[J]. 和湘,刘晟,姜吉国.  信息网络安全. 2018(05)
[4]基于多标记与半监督学习的入侵检测方法研究[J]. 钱燕燕,李永忠,余西亚.  计算机科学. 2015(02)
[5]基于深度信念网络的入侵检测模型[J]. 杨昆朋.  现代计算机(专业版). 2015(02)
[6]基于信息熵的SVM入侵检测技术[J]. 朱文杰,王强,翟献军.  计算机工程与科学. 2013(06)
[7]机器学习在入侵检测中的应用综述[J]. 贺英杰,叶宗民,金吉学.  计算机安全. 2010(03)

硕士论文
[1]基于机器学习的目标检测与跟踪算法研究[D]. 刘倩.中南民族大学 2013



本文编号：3482144