基于样本规模优化的直推式网络异常检测算法研究

发布时间：2024-03-01 20:33

　　随着互联网的不断发展以及计算机的普及,网络安全问题层出不穷。异常检测作为一种动态的网络安全防御技术,能够较好的弥补传统保护机制的缺陷,越来越受到网络入侵领域专家学者的关注。本文在郑思维等人研究基础上,以降低误报率和计算开销为主要目标,对TCM-RNE网络异常检测方法存在的训练样本集规模大、网络数据特征维数过多导致异常度量不精确、误报率高等问题进行了优化,提出了相应优化策略和改进算法。主要研究工作如下:1、基于粒子群优化思想,研究提出了一种面向TCM-RNE的粒子群样本规模优化策略和相应算法。针对TCM-RNE算法正常训练集规模过大的问题,利用粒子群优化算法快速收敛的特点从正常训练样本集中选取少量高质量的样本建模。UCI数据集上对比实验表明,粒子群样本规模优化策略能够有效减少训练样本数量和算法的运行时间。2、研究提出了一种基于ReliefF和CFS的组合式样本规模优化策略和相应算法。针对TCM-RNE算法熵计算时出现的维数灾难,结合过滤式特征选择方法中的ReliefF算法和CFS算法,提出了一种组合式样本规模优化算法应用于精简样本特征空间。UCI数据集上对比实验表明,组合式样本规模优化策...

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

图3.1二进制粒子群优化算法流程图

越小的值变异率越大。文献[37-38]中给出了的二进制粒子群优化算法的基本原理，算法流程如图3.1所示。图3.1二进制粒子群优化算法流程图Figure3.1Binaryparticleswarmoptimizationalgorithmflowchart

图4.6样本规模优化算法冗余相关性去除比例Figure4.6Samplescaleoptimizationalgorithmredundancyandcorrelationcharacteristics

第4章面向TCM-RNE的组合式样本规模优化算法4.6.4.3冗余相关性对比ReliefF、CFS和ReCFS三种算法在各个数据集上的无关性特征和冗余特征去除比例如图4.6所示，Average为三种算法的平均值。以Gas数据集为例，该数据集包含139....

图5.2TCM-KNN4种攻击类型检测率和误报率对比(20%)

第5章基于样本规模优化的TCM-RNE异常检测算法和U2R攻击下检测率分别下降2.5%和1%。第二组测试集实验结果如图5.4和图5.5所示。TCM-KNN和TCM-RNE算法在两组测试集四种攻击有不同幅度的偏差，异常数据所占测试集比例不同，各攻击类....

图5.3TCM-RNE4种攻击类型检测率和误报率对比(20%)

验中异常误判个数也有所增加。实验发现，样本规模优化后两种算法的检测率和误报率均有不同程度的下降和上升，样本规模优化后选出的样本虽然在总体上代表了整个样本的特性，但不可能与原数据集完全相同，样本数量的减少一定程度上使分类的参考减少，使得算法检测率和误报率不同幅度的误差。图5.2....

本文编号：3915796