机器学习算法在入侵检测中的应用研究

发布时间：2021-11-15 06:37

　　近些年,"WannaCry"等勒索软件网络安全问题层出不穷,对我国的互联网造成不可估量的损害。网络入侵检测系统作为弥补防火墙防御网络威胁的有效的第二道闸门,扮演着保护计算机的重要角色。首先,介绍入侵检测的定义以及研究现状;其次,介绍机器学习算法及其在解决网络空间安全问题的一般流程,机器学习在入侵检测中的具体应用,尤其随机森林算法、贝叶斯算法和其他几种主流机器学习算法在入侵检测中取得的进展;最后,讨论了机器学习算法在入侵检测系统中发展方向。 

【文章来源】：电脑与电信. 2020,(07)

【文章页数】：4 页

【部分图文】：

机器学习在网络安全应用的流程

贝叶斯分类算法是统计学的一种分类算法，它是一类利用概率统计知识进行分类的算法，因此在解决不确定性和不完整性的问题上有很大优势。贝叶斯网络进行分类时，利用概率的权重来描述样本中数据之间的相关性，最终以大的概率判别一组数据的类别，具有高的分类效率[11]。在网络入侵检测中，贝叶斯算法对网络攻击方式、入侵识别具有很好的分类效果。王洋[12]等人先定义报警的置信度与报警间的关联强度，利用有效的报警证据进行贝叶斯后验推理，动态更新攻击图中各状态节点遭受攻击的概率，识别网络中已发生和潜在的攻击行为，此方法很好地提高了网络入侵预测的准确性。孙惠丽[13]等人提出结合滑动窗口和深度学习改进的贝叶斯网络入侵检测方法，深度学习提取特征，滑动窗口更新贝叶斯网络参数，利用特征属性的互信息计算各属性之间的相对欧式距离，进而更新贝叶斯网络，从效果看改进后的贝叶斯网络可以提高运算效率和检测率。张月[14]等人使用贝叶斯分类器提取入侵检测模型的数据挖掘框架，实现对网络攻击类型数据的收集，进行检测，可以发现已知的网络攻击并能检测到未知攻击。由此可见，贝叶斯算法在结合其他算法后在网络入侵检测中扮演着关键的角色。3.5 其他算法在入侵检测系统中的应用

【参考文献】：
期刊论文
[1]改进的随机森林分类器网络入侵检测方法[J]. 夏景明,李冲,谈玲,周刚.  计算机工程与设计. 2019(08)
[2]随机森林算法在入侵检测系统中的应用及优化[J]. 侯成,王瑶,单航,高文泽,吴海涛.  工业控制计算机. 2019(06)
[3]基于深度学习的改进贝叶斯网络入侵检测算法[J]. 孙惠丽,陈维华,刘东朝.  软件工程. 2019(04)
[4]基于KNN离群点检测和随机森林的多层入侵检测方法[J]. 任家东,刘新倩,王倩,何海涛,赵小林.  计算机研究与发展. 2019(03)
[5]基于贝叶斯攻击图的网络入侵意图识别方法[J]. 王洋,吴建英,黄金垒,胡浩,刘玉岭.  计算机工程与应用. 2019(22)
[6]一种基于朴素贝叶斯网络的入侵检测分析方法[J]. 张月,柳炳祥,张峰.  信息与电脑(理论版). 2018(13)
[7]机器学习在网络空间安全研究中的应用[J]. 张蕾,崔勇,刘静,江勇,吴建平.  计算机学报. 2018(09)
[8]智能化入侵检测算法研究综述[J]. 方向,王丽娜,贾颖.  通信技术. 2015(12)
[9]基于增量式GHSOM神经网络模型的入侵检测研究[J]. 杨雅辉,黄海珍,沈晴霓,吴中海,张英.  计算机学报. 2014(05)
[10]基于SVM的网络入侵检测集成学习算法[J]. 谭爱平,陈浩,吴伯桥.  计算机科学. 2014(02)



本文编号：3496239