基于改进朴素贝叶斯算法的入侵检测技术研究

发布时间：2017-04-13 18:04

  本文关键词：基于改进朴素贝叶斯算法的入侵检测技术研究，，由笔耕文化传播整理发布。

【摘要】：随着信息时代的来临,互联网(Internet)一直朝着规模更广、速度更快的方向不断发展。计算机网络为整个人类社会带来了空前的改变,它影响着人们工作、娱乐和生活的方方面面。如今,全球化的互联网络已经渗透到政治、经济和文化等各个领域,为各个行业和阶层提供可靠而便捷的服务。然而,网络这把“双刃剑”在为人类创造福利的同时也在潜藏着网络安全隐患。这些隐患能够造成隐私泄密、财产损失、政治威胁和社会动荡等重大危害。因此,网络安全问题的研究与进展已经形成全球化的关注热点。根据目前网络安全技术的发展状况,本文对网络入侵检测技术展开研究,通过总结和分析前人的科研成果,针对入侵检测技术尚存的问题,采用引入数据挖掘算法——朴素贝叶斯(NB)的技术思路,提出了“基于信息树加权朴素贝叶斯(ITWNB)算法的入侵检测模型”,该模型是对目前入侵检测技术的扩展和改进,其技术创新点和工作内容如下:(1)通过分析传统NB算法的缺点,本文提出了基于决策树理论的“信息树策略(ITS)”,通过加权的思想来放松了NB模型“条件独立性假设”的限制,从而改进了NB算法的分类性能。(2)提出了“属性修正函数(AFF)”来不断的修正构建“信息树”的误分类样本集合,通过修改最大后验概率的决策倾向进一步提升了NB算法的分类准确率。(3)在上述改进后的NB算法基础之上,建立了改进的入侵检测模型——基于信息树加权朴素贝叶斯(ITWNB)算法的入侵检测模型,并结合了“半监督学习(SSL)”的数据训练模式,提升了入侵检测效率。最后,采用KDD’99入侵检测数据集中的10%的子集作为数据源对本文提出的入侵检测模型进行仿真实验测试,通过得出的实验数据结果可验证本模型在入侵检测方面的可行性,以及相对于其它Bayes算法模型所表现出的高效性和稳定性。
【关键词】：入侵检测 朴素贝叶斯 信息树策略 属性修正函数 半监督学习
【学位授予单位】：河南理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.08;TP18
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-10
• 1 绪论10-18
• 1.1 课题研究背景及意义11-13
• 1.1.1 研究背景11-12
• 1.1.2 研究意义12-13
• 1.1.3 课题来源13
• 1.2 国内外研究现状13-15
• 1.2.1 入侵检测技术研究现状13-14
• 1.2.2 朴素贝叶斯算法研究现状14-15
• 1.3 论文主要研究内容15-16
• 1.4 论文组织结构16-17
• 1.5 本章小结17-18
• 2 入侵检测及相关技术应用18-34
• 2.1 入侵检测技术理论与实现18-20
• 2.2 CIDF通用模型20-21
• 2.3 入侵检测技术的系统分类21-26
• 2.3.1 按照信息源分类21-24
• 2.3.2 按照检测方法分类24-26
• 2.4 入侵检测技术的尚存问题及发展趋势26-28
• 2.4.1 入侵检测技术的尚存问题26-27
• 2.4.2 入侵检测技术的发展趋势27-28
• 2.5 引入数据挖掘算法的可行性分析28-31
• 2.6 基于NB算法的入侵检测技术31-32
• 2.7 本章小结32-34
• 3 ITWNB算法的理论模型研究34-42
• 3.1 引言34
• 3.2 Bayes理论34-36
• 3.2.1 Bayes定理和概率密度34-35
• 3.2.2 MAP假设与ML假设35-36
• 3.3 基于NB模型的ITWNB算法36-40
• 3.3.1 条件独立性假设和参数估计36-37
• 3.3.2 NB分类模型与改进研究37-39
• 3.3.3 ITWNB算法的理论模型39-40
• 3.4 本章小结40-42
• 4 基于ITWNB算法的入侵检测模型构建42-54
• 4.1 引言42
• 4.2 ITWNB算法的实现42-49
• 4.2.1 信息树策略ITS42-44
• 4.2.2 属性修正函数AFF44-45
• 4.2.3 ITWNB算法的具体实现流程45-49
• 4.3 SSL式的数据训练过程49-50
• 4.4 基于ITWNB算法的入侵检测模型50-53
• 4.5 本章小结53-54
• 5 数据预处理与实验分析54-68
• 5.1 引言54
• 5.2 实验仿真环境54-56
• 5.3 KDD’99入侵检测数据集处理分析56-59
• 5.4 影响因素与数据预处理技术59-62
• 5.5 实验结果与分析62-67
• 5.6 本章小结67-68
• 6 总结与展望68-70
• 6.1 本文总结68
• 6.2 工作展望68-70
• 参考文献70-76
• 作者简历76-78
• 学位论文数据集78

【相似文献】

中国期刊全文数据库 前10条

1 张鹏;赵辉;;关于入侵检测模型的研究与分析[J];网络安全技术与应用;2009年03期

2 李之棠,杨红云;模糊入侵检测模型[J];计算机工程与科学;2000年02期

3 秦拯;吴中福;廖晓峰;李华;王康;吴李瀚;;一种新型的入侵检测模型的研究与实现[J];计算机科学;2001年11期

4 张慧敏,何军,黄厚宽;一个基于免疫的网络入侵检测模型[J];计算机工程与应用;2002年06期

5 黄大足;一种入侵检测模型[J];邵阳学院学报;2003年05期

6 史长琼,马淑萍;基于移动Agent的入侵检测模型研究[J];南华大学学报(理工版);2003年03期

7 姚羽,高福祥,于戈;基于混沌神经元的延时滥用入侵检测模型[J];电子学报;2004年08期

8 任照松,印润远;基于统计方法的入侵检测模型[J];上海水产大学学报;2005年02期

9 刘道群;孙庆和;;基于遗传神经网络的入侵检测模型[J];激光杂志;2005年06期

10 程绍辉,高鹏翔;网络入侵检测模型的分析与比较[J];计算机时代;2005年02期

中国重要会议论文全文数据库 前10条

1 杨武;王巍;张乐君;国林;云晓春;;一种动态自学习的高效入侵检测模型研究[A];全国网络与信息安全技术研讨会论文集（上册）[C];2007年

2 周颉;;无线传感器网络入侵检测模型研究[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

3 李楠;胡学钢;王东波;;基于改进随机决策树的入侵检测模型研究[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

4 宋博;张琦建;;基于移动代理的入侵检测模型在水利信息化中的应用[A];科技创新与现代水利——2007年水利青年科技论坛论文集[C];2007年

5 孙和凯;魏海平;;基于人工免疫的入侵检测模型研究[A];2010通信理论与技术新发展——第十五届全国青年通信学术会议论文集（上册）[C];2010年

6 田俊峰;刘仙跃;;入侵检测数据分类模型—PCANN[A];2007年全国开放式分布与并行计算机学术会议论文集(上册)[C];2007年

7 杨永健;李天博;杨晓慧;;基于Magician平台的主动入侵检测模型[A];第七届青年学术会议论文集[C];2005年

8 谢毅;张俊灵;王莹;胡翠林;;一种基于SVM的信息安全入侵检测模型[A];2007通信理论与技术新发展——第十二届全国青年通信学术会议论文集（上册）[C];2007年

9 刘丹婷;武斌;;基于层次化协同DFA的主机入侵检测模型[A];第十七届全国青年通信学术年会论文集[C];2012年

10 王蕊;;基于免疫原理的网络银行入侵检测模型[A];第三届全国软件测试会议与移动计算、栅格、智能化高级论坛论文集[C];2009年

中国博士学位论文全文数据库 前1条

1 陈荣;面向网格计算的按需入侵检测模型及关键技术研究[D];浙江大学;2005年

中国硕士学位论文全文数据库 前10条

1 张翔;RFID安全中间件关键技术研究与实现[D];电子科技大学;2014年

2 陈泓予;基于改进朴素贝叶斯算法的入侵检测技术研究[D];河南理工大学;2015年

3 罗冬梅;基于时间序列的入侵检测模型研究[D];上海师范大学;2004年

4 雷丽萍;基于生物不确定性记忆的入侵检测模型研究[D];西安电子科技大学;2010年

5 王超峰;基于数据挖掘的入侵检测模型研究[D];青岛理工大学;2010年

6 何慧;基于信息增益—贝叶斯网络的智能入侵检测模型的研究[D];广西大学;2005年

7 景波;基于智能代理的入侵检测模型[D];太原理工大学;2003年

8 张晓梅;基于主动对抗响应的网络入侵检测模型[D];太原理工大学;2003年

9 黄琦锋;基于数据库中知识发现技术的入侵检测模型[D];福州大学;2004年

10 舒小敏;智能化网络入侵检测模型的研究[D];新疆大学;2006年

  本文关键词：基于改进朴素贝叶斯算法的入侵检测技术研究，由笔耕文化传播整理发布。

本文编号：304146