基于维数消减与SVM参数优化的入侵检测算法研究

发布时间：2017-07-14 12:05

  本文关键词：基于维数消减与SVM参数优化的入侵检测算法研究

  更多相关文章： 入侵检测 支持向量机 维数消减 参数优化 核主成分分析 粒子群优化算法

【摘要】：随着网络攻击技术和手段的日益突出,入侵检测系统逐渐引起诸多学者的关注,成为了当前研究网络安全方面的重要课题。在众多的入侵检测方法中,研究人员发现将支持向量机SVM(Support Vector Machine)方法应用到入侵检测领域存在诸多优势,而且对基于SVM的入侵检测方法进行研究也有着非常重要的意义。本文从入侵检测数据的维数消减、SVM的参数优化和入侵检测模型的构建三方面入手,对基于SVM的入侵检测算法的性能进行深入研究。首先,本文阐述了用于维数消减的核主成分分析算法,并分析了惩罚参数和核函数参数对SVM分类性能所带来的影响,同时说明了利用粒子群算法进行参数优化的背景与思想。其次,针对入侵数据集的高维数问题,提出一种基于ReliefF和样本筛选的核主成分分析算法。该算法利用ReliefF算法进行特征选择,并对特征选择后的样本分组执行核主成分分析算法,从执行结果中,挑选前两个主成分对样本进行筛选过滤,并对筛选后的样本再次执行核主成分分析算法,进而提取最终的主成分。再次,针对SVM参数对分类性能的影响问题,提出一种基于速度和位移同步优化的粒子群优化算法。该算法在粒子种群模型分类的基础上,通过引入粒子进化度和聚合度两个变量来实现对惯性权重、学习因子和时间因子的动态调整,以达到优化粒子速度和位移的目的,使算法很快地找到最优的SVM参数。最后,在验证了上述提出的两种改进算法的有效性的基础上,本文重新构建一种新的基于SVM的入侵检测模型,并将该模型与其它入侵检测模型在MATLAB环境下进行性能比较。
【关键词】：入侵检测 支持向量机 维数消减 参数优化 核主成分分析 粒子群优化算法
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TP393.08
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-16
• 1.1 研究背景和意义10-11
• 1.2 国内外研究现状11-13
• 1.2.1 入侵检测方法研究现状11-12
• 1.2.2 维数消减方法研究现状12
• 1.2.3 SVM参数优化研究现状12-13
• 1.3 本文研究内容13-14
• 1.4 本文组织结构14-16
• 第2章 维数消减与SVM参数优化方法16-21
• 2.1 核主成分分析算法实现维数消减的思想16-17
• 2.2 SVM与粒子群优化算法17-20
• 2.2.1 SVM的原理18-19
• 2.2.2 SVM参数对分类性能的影响19-20
• 2.2.3 粒子群算法进行优化的思想20
• 2.3 本章小结20-21
• 第3章 一种改进核主成分分析算法的维数消减方法21-35
• 3.1 引言21
• 3.2 入侵数据的高维性与规模性分析21-23
• 3.3 基于Relief F和样本筛选的核主成分分析算法RFSS-KPCA23-30
• 3.3.1 Relief F算法思想23-24
• 3.3.2 改进的样本筛选方法24-26
• 3.3.3 RFSS-KPCA算法设计26-30
• 3.4 RFSS-KPCA算法实现维数消减的实验分析30-34
• 3.4.1 实验环境与数据30
• 3.4.2 实验过程分析30-33
• 3.4.3 实验结果对比33-34
• 3.5 本章小结34-35
• 第4章 一种改进粒子群算法的SVM参数优化方法35-50
• 4.1 引言35
• 4.2 影响粒子速度和位移的因素分析35-37
• 4.3 基于速度和位移同步优化的粒子群算法VDSPSO37-45
• 4.3.1 粒子种群的模型划分37-39
• 4.3.2 对粒子速度的优化39-41
• 4.3.3 对粒子位移的优化41-42
• 4.3.4 适应度函数选取42
• 4.3.5 VDSPSO算法设计42-45
• 4.4 VDSPSO算法实现SVM参数优化的实验分析45-48
• 4.4.1 实验过程分析46
• 4.4.2 实验结果对比46-48
• 4.5 本章小结48-50
• 第5章 入侵检测模型的构建与验证50-56
• 5.1 建立RFSS-KPCA-VDSPSO-SVM入侵检测模型50-54
• 5.1.1 入侵数据集预处理阶段50-52
• 5.1.2 改进的维数消减阶段52-53
• 5.1.3 改进的参数优化阶段53
• 5.1.4 SVM训练与入侵分类预测阶段53-54
• 5.2 模型的评价标准与验证结果54-55
• 5.2.1 评价标准54
• 5.2.2 验证结果54-55
• 5.3 本章小结55-56
• 结论56-58
• 参考文献58-62
• 致谢62

【相似文献】

中国期刊全文数据库 前10条

1 俞研;黄皓;;一种半聚类的异常入侵检测算法[J];计算机应用;2006年07期

2 ;基于聚类的入侵检测算法研究[J];广东外语外贸大学学报;2008年06期

3 聂晓文;卢显良;王征;;基于数字垂钓的盲目入侵检测算法[J];计算机应用;2008年05期

4 李思广;刘蕴;;分布式入侵检测系统的学习机制与检测算法[J];漯河职业技术学院学报;2008年02期

5 宋凌;李枚毅;李孝源;;一种新的半监督入侵检测算法[J];计算机应用;2008年07期

6 韩仲祥;段_";董淑福;张锐;陶晓燕;;基于反向传播神经网络的入侵检测算法[J];空军工程大学学报(自然科学版);2009年04期

7 胡翰;;基于主动学习的半监督聚类入侵检测算法[J];无线互联科技;2011年10期

8 林逢春;张英;;一种新的半监督聚类入侵检测算法[J];无线互联科技;2012年03期

9 何晓薇;;跑道入侵检测算法研究[J];中国民航飞行学院学报;2012年03期

10 梁力;;一种网络多次变异信息入侵检测算法[J];科技通报;2012年10期

中国重要会议论文全文数据库 前1条

1 王志佳;顾健;;一种改进的确定有限自动机入侵检测算法研究[A];全国计算机安全学术交流会论文集·第二十五卷[C];2010年

中国博士学位论文全文数据库 前3条

1 曾剑平;基于模糊集的自适应伪装入侵检测算法及其在ASP服务安全中的应用研究[D];厦门大学;2006年

2 段丹青;入侵检测算法及关键技术研究[D];中南大学;2007年

3 王培崇;基于群智能计算技术的网络入侵检测算法研究[D];中国矿业大学（北京）;2010年

中国硕士学位论文全文数据库 前10条

1 逯玉婧;基于深度信念网络的入侵检测算法研究[D];河北师范大学;2016年

2 董蒙;基于维数消减与SVM参数优化的入侵检测算法研究[D];燕山大学;2016年

3 程果;基于分簇的入侵检测算法[D];西南大学;2016年

4 葛邮兵;基于数据挖掘的入侵检测算法研究[D];扬州大学;2008年

5 斯海飞;入侵检测算法研究[D];西安电子科技大学;2002年

6 王川伟;基于混合聚类的入侵检测算法研究[D];西安科技大学;2010年

7 李雯睿;基于半监督聚类的入侵检测算法研究[D];河南大学;2007年

8 李丽;基于学习的入侵检测算法研究[D];北京服装学院;2010年

9 周记生;安全敏感区域的入侵检测算法研究与实现[D];北京邮电大学;2013年

10 王军;基于人工免疫原理的入侵检测算法研究[D];武汉理工大学;2008年

，

本文编号：540980