基于流形学习和参数优化的SVM入侵检测算法

发布时间：2017-06-27 11:06

  本文关键词：基于流形学习和参数优化的SVM入侵检测算法，由笔耕文化传播整理发布。

【摘要】：随着信息和网络技术的不断发展,在政治、经济、军事等各种利益的驱动之下,对网络基础设施和一些重要的网络主机的攻击增长迅速。在攻击手段不断翻新的网络环境下,传统的网络防护措施面临严重挑战。入侵检测技术的发展,使得网络安全的防护技术向主被动结合的方向发展,为网络安全提供了多层次的保护。入侵检测的数据往往具有高维,小样本和不可分性的特点,传统的入侵检测方法检测率很低,误报、漏报率高,已经不能满足当前网络安全的需求。支持向量机是在小样本学习的基础发展起来的分类学习方法,它能够避免局部最优解,克服维数灾难问题,能够很好的解决小样本,高维等问题,所以将支持向量机算法应用于入侵检测在理论和应用中都有重要意义。本文首先介绍了入侵检测技术研究的背景、意义和进展,详细阐述了入侵检测技术原理、支持向量机算法和流形学习算法。在此基础上,首先,提出了一个基于LE-CV-SVM的入侵检测算法,此算法先用最大似然估计估计特征的本征维数,再采用流形学习算法把数据映射到低维空间,然后利用SVM对数据进行分类,用交叉验证的方法优化SVM参数。经过仿真实验证明,LE-CV-SVM算法在检测时间和准确率方面效果明显。其次,提出了一个改进的MDS-GA-SVM的入侵检测算法,用MDS降低数据集的维数,再用改进核函数的SVM对数据集进行分类,然后用遗传算法优化SVM的参数。此算法改进RBF核函数,并且优化SVM以及RBF核函数的参数。仿真实验表明,改进的MDS-GA-SVM算法在前一种算法的基础之上进一步提高了准确率。
【关键词】：入侵检测 支持向量机 核函数 流形学习 交叉验证 遗传算法
【学位授予单位】：河北师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.08
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 1 绪论9-14
• 1.1 研究的背景和意义9-10
• 1.2 国内外研究现状10-12
• 1.3 本文的组织结构12-14
• 2 入侵检测技术14-22
• 2.1 引言14
• 2.2 IDS的作用与分类14-18
• 2.3 入侵检测存在的问题与发展方向18-20
• 2.4 小结20-22
• 3 支持向量机算法概述22-30
• 3.1 引言22
• 3.2 支持向量机的统计学基础22-25
• 3.2.1 VC维22
• 3.2.2 泛化误差的界限22-24
• 3.2.3 结构风险最小化原理24-25
• 3.3 支持向量机25-28
• 3.3.1 最优超平面26-27
• 3.3.2 支持向量机及其核函数27-28
• 3.4 小结28-30
• 4 基于LE CV SVM的入侵检测算法30-48
• 4.1 引言30
• 4.2 流形学习的预备知识30-38
• 4.2.1 流形学习的现状31-34
• 4.2.2 流形学习的相关算法34-38
• 4.3 LE CV SVM算法模型38-40
• 4.4 基于LE CV SVM的入侵检测算法40-42
• 4.4.1 流形学习算法40
• 4.4.2 参数优化的SVM算法40-42
• 4.5 仿真实验与结果分析42-46
• 4.6 小结46-48
• 5 改进的MDS GA SVM的入侵检测算法48-59
• 5.1 引言48
• 5.2 改进的MDS GA SVM的入侵检测算法模型48-50
• 5.3 改进的MDS GA SVM的入侵检测算法50-54
• 5.3.1 降维算法50-51
• 5.3.2 参数优化的SVM算法以及SVM核函数的改进51-54
• 5.4 仿真实验与结果分析54-56
• 5.5 LE CV SVM入侵检测算法和改进的MDS GA SVM入侵检测算法的比较56-57
• 5.6 小结57-59
• 结论59-61
• 参考文献61-64
• 致谢64-66
• 攻读学位期间取得的科研成果清单66

【相似文献】

中国期刊全文数据库 前10条

1 曾宪华;罗四维;;局部保持的流形学习算法对比研究[J];计算机工程与应用;2008年29期

2 刘志勇;;基于保距与保拓扑的流形学习算法[J];长江大学学报(自然科学版)理工卷;2010年02期

3 闫志敏;刘希玉;;流形学习及其算法研究[J];计算机技术与发展;2011年05期

4 杨海红;;流形学习中邻域大小的选择算法[J];山西煤炭管理干部学院学报;2011年01期

5 周华;蔡超;丁明跃;;基于流形学习和流形高阶近似的图像距离度量[J];华中科技大学学报(自然科学版);2012年03期

6 石陆魁;张军;宫晓腾;;基于邻域保持的流形学习算法评价模型[J];计算机应用;2012年09期

7 谈超;关佶红;周水庚;;增量与演化流形学习综述[J];智能系统学报;2012年05期

8 徐蓉;姜峰;姚鸿勋;;流形学习概述[J];智能系统学报;2006年01期

9 罗四维;赵连伟;;基于谱图理论的流形学习算法[J];计算机研究与发展;2006年07期

10 周红;吴炜;滕奇志;杨晓敏;李e，

本文编号：489527