基于网格搜索的支持向量机在入侵检测中的应用

发布时间：2017-06-01 19:20

  本文关键词：基于网格搜索的支持向量机在入侵检测中的应用，由笔耕文化传播整理发布。

【摘要】：计算机网络和计算机技术极大地促进了人类社会的发展和进步,但是由于计算机技术和网络协议本身所存在的一些缺陷,使得计算机网络经常被黑客和恶意程序所攻击,轻则造成人民群众的财产损失,重则可能导致国家机密的泄露,因此网络安全问题日渐成为人们关注的焦点。相对应于成熟的杀毒软件技术和防火墙技术,网络入侵检测是一种主动的防御手段,可以将很多的攻击和破坏消灭在还未造成任何损失的阶段,因此网络入侵检测技术日渐成为业界研究的热点。支持向量机理论是在统计学习理论的基础上发展起来的,是机器学习与统计学理论紧密结合形成的监督学习模型。目前支持向量机中的算法理论主要针对核函数参数的优化和核函数选择的算法。支持向量机在解决小样本、高维度的数据集时拥有独特的优势,计算机网络通信数据属于高维度数据,使用支持向量机理论进行网络入侵检测是目前的研究热点。网格搜索算法对支持向量机参数的优化通过对核函数参数和惩罚系数遍历取值,得到最优的参数组合。改进型网格搜索算法通过对网格搜索的步长进行优化选择,提高了入侵检测的效率。本文概述了入侵检测的研究现状,重点分析了网格搜索算法和改进的网格搜索算法对SVM参数进行优化的原理和过程。将遗传算法、粒子群算法、网格搜索算法等智能优化算法分别对SVM参数进行优化,针对不同算法在入侵检测中的应用,进行了大量的实验,证明基于改进型网格搜索算法对支持向量机参数的优化拥有最高的分类准确率和最少的分类时间。
【关键词】：支持向量机 网络入侵 网格搜索 属性约简
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.08;TP18
【目录】：

• 致谢7-8
• 摘要8-9
• ABSTRACT9-14
• 第一章 绪论14-20
• 1.1 研究背景14-15
• 1.2 国内外研究现状15-17
• 1.3 计算机网络所面临的威胁17-19
• 1.3.1 权限滥用17
• 1.3.2 恶意程序和病毒攻击17-18
• 1.3.3 黑客攻击18-19
• 1.4 入侵检测研究的意义19
• 1.5 本文的研究内容19
• 1.6 论文的结构安排19-20
• 第二章 入侵检测系统概述20-29
• 2.1 入侵检测技术简介20-21
• 2.1.1 入侵检测技术的概念20
• 2.1.2 入侵检测的技术途径20-21
• 2.2 入侵检测系统的分类21-25
• 2.2.1 异常检测与滥用检测21-22
• 2.2.2 基于主机的入侵检测与基于网络的入侵检测22-25
• 2.3 入侵检测技术的发展方向25-29
• 第三章 支持向量机29-35
• 3.1 支持向量机理论介绍29-32
• 3.1.1 支持向量机29
• 3.1.2 最大间隔分类器29-31
• 3.1.3 核函数31-32
• 3.2 用支持向量机构造入侵检测分类器32
• 3.2.1 入侵检测中的分类问题32
• 3.2.2 支持向量机(SVM)分类器的分类过程32
• 3.3 支持向量机参数32-35
• 3.3.1 支持向量机的参数介绍32-33
• 3.3.2 参数优化的常用方法33-35
• 第四章 基于网格搜索的支持向量机参数优化35-38
• 4.1 交叉验证35
• 4.2 网格搜索算法对支持向量机参数的优化35-36
• 4.2.1 SVM分类器训练中的问题35-36
• 4.2.2 网格搜索算法进行参数优化的实现思路36
• 4.3 改进的网格搜索算法36-38
• 第五章 基于支持向量机的入侵检测模型研究38-51
• 5.1 入侵检测模型框架的构思38-39
• 5.1.1 模型框架图38
• 5.1.2 模型框架中各模块的功能设计38-39
• 5.2 实验工具介绍39
• 5.3 实验数据的预处理39-45
• 5.3.1 原始实验数据描述39-42
• 5.3.2 实验数据属性值的替换42-43
• 5.3.3 数据的归一化处理43-45
• 5.4 基于改进的网格搜索算法的SVM参数寻优具体实现45-51
• 5.4.1 实验过程45-46
• 5.4.2 实验结果分析46-51
• 第六章 总结和展望51-53
• 6.1 论文总结51
• 6.2 进一步的工作51-53
• 参考文献53-55
• 攻读硕±学位期间的学术活动及成果情况55

【相似文献】

中国期刊全文数据库 前10条

1 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期

2 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期

3 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期

4 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期

5 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期

6 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期

7 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期

8 张凡,贺苏宁;模糊判决支持向量机在自动语种辨识中的研究[J];计算机工程与应用;2004年21期

9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期

10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：413321