基于过采样的非平衡入侵数据检测研究

发布时间：2022-01-05 10:21

　　针对入侵检测系统对于未知攻击训练较少,导致特定攻击检测率低的问题,提出一种融合最大相异系数密度的SMOTE入侵检测方法。利用改进合成少数类过采样（Synthetic Minority Oversampling Technique,SMOTE）算法,结合深度信念网络（Deep Belief Network,DBN）和梯度提升决策树（Gradient Boosted Decision Tree,GBDT）,解决入侵检测系统中非平衡样本分类问题。首先,在数据预处理阶段应用融合最大相异系数密度的SMOTE过采样算法,选取邻域半径内的样本间最大相异系数平均值作为该点最大相异系数密度,通过类内最大相异系数密度阈值筛选过采样基础点集,结合SMOTE过采样原理倍率增加少数类数量;其次,利用DBN提取样本低维特征,包括自下而上无监督学习与自顶向下的有监督微调过程;最后,利用GBDT进行迭代决策树构建,通过不断学习前者结论和残差最终输出学习分类结果。选用经典入侵检测数据集NSLKDD进行实验验证,提取本地特权用户进入（Remote to Local,R2L）和远端未授权进入（User to Root,U2... 

【文章来源】：辽宁工程技术大学辽宁省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

013-2018年CNDV收录安全漏洞数量对比图

辽宁工程技术大学硕士学位论文1611(1)kjj=ykj=k-j+ξZ=j（3.2）分析公式3.2，保证选定的k值计算的Zy数值稳定，使k值对应的最大相异系数足够小，故绘制k-Zy图像分析最优k值选取问题[62]。如图3.1所示，Zy取值随着k值增大而逐渐趋近于0，较大的k值是良好的向量相似性保证。图3.1最大相异系数随k变化Figure3.1Zychangeswithk3.2SMOTE过采样算法Chawla等人[38]在2002年提出SMOTE算法，该算法是过采样中的经典算法。通过少数类样本与k个近邻间的连线随机生成新样本。倍数增加少数类样本，完成少数类过采样过程，算法详细过程如下：（1）数据集中少数类样本个数为T，一个少数类样本特征向量为xi，i∈{1,...,T}。过采样百分比为N，此处要求N必为正整数，过采样样本数Tnew=N×T，若给定N<1，强制令N=1。（2）在少数类全部T个样本中找出少数类xi的k个近邻（欧氏距离），一般地，取k=5。寻找到的近邻记作xi(near),near∈{1,...,k}；（3）从xi(near)中随机抽取样本xj，j∈{1,...,k}，再生成一个0到1之间的随机浮点数ζ1，从而生成一个基于少数类xi的新少数类xi1。i1i1jix=x+z(x-x)（3.3）（4）将（3.3）重复进行N次，从而生成N个新的少数类样本xi(new)，new∈{1,...,N}。

RBM结构

【参考文献】：
期刊论文
[1]深度自编码网络在入侵检测中的应用研究[J]. 丁红卫,万良,龙廷艳.  哈尔滨工业大学学报. 2019(05)
[2]新的基于代价敏感集成学习的非平衡数据集分类方法NIBoost[J]. 王莉,陈红梅,王生武.  计算机应用. 2019(03)
[3]融合最大相异系数密度的SMOTE算法的入侵检测方法[J]. 陈虹,肖越,肖成龙,陈建虎.  信息网络安全. 2019(03)
[4]供应链金融大数据分布特征的分析与洞见[J]. 刘颖.  计算机科学. 2019(02)
[5]一种基于质心空间的不均衡数据欠采样方法[J]. 金旭,王磊,孙国梓,李华康.  计算机科学. 2019(02)
[6]NLOF:基于网格过滤的两阶段离群点检测算法[J]. 王立英,石磊,伊静,宋天霞.  计算机应用研究. 2020(04)
[7]面向不平衡数据集的一种基于聚类的欠采样方法[J]. 李春雪,谢林森,卢诚波.  数学的实践与认识. 2019(01)
[8]基于自然邻居邻域图的无参数离群检测算法[J]. 冯骥,冉瑞生,魏延.  智能系统学报. 2019(05)
[9]基于直觉模糊集理论的IDS方法研究[J]. 邢瑞康,李成海.  计算机科学. 2018(S2)
[10]空间欠采样宽带线性调频信号二维DOA估计[J]. 冯浩然,阮怀林.  计算机工程. 2018(08)

硕士论文
[1]随机森林算法的优化研究及在文本并行分类上的应用[D]. 张鑫.南京邮电大学 2018
[2]基于深度学习的入侵检测[D]. 杨昆朋.北京交通大学 2015



本文编号：3570178