基于SVM的異常入侵檢測系統(tǒng)關鍵技術的研究.pdf

1、隨著計算機網絡技術的迅猛發(fā)展,網絡安全技術越來越受到人們的關注。入侵檢測技術作為一種主動的信息安全保障措施，成為近年來網絡安全技術的熱點。當前，盡管基于入侵檢測技術的入侵檢測系統(tǒng)得到了不斷的發(fā)展和完善，然而由于網絡攻擊手段的多元化、智能化、復雜化，這些入侵檢測系統(tǒng)尚存在誤報、漏報率高等問題。特別是需要大量或完備的審計數據集才能達到比較理想的檢測性能，并且訓練時間較長，所以就需要尋找一種在小樣本的情況下，能正確提取訓練數據特征，實現(xiàn)入侵檢

2、測的方法。支持向量機方法是解決這類問題的較好選擇，支持向量機本質上屬于機器學習的范疇，由于它既有嚴格的理論基礎，又能較好地解決小樣本、非線性、高維數等問題，將它應用于入侵檢測已成為研究的熱點。
　　本文在提高異常入侵檢測系統(tǒng)的性能----提高檢測率，降低誤報、漏報率方面，針對支持向量機及入侵檢測的測試數據集作了相關研究。
　　本文對基于SVM的網絡異常檢測系統(tǒng)進行分析與設計，對原有的IDES模型進行擴展，提出了基于SVM的入

3、侵檢測系統(tǒng)的模型，并闡述了各部分的功能。提出一種基于SVM的異常檢測分類器的模型。
　　在入侵檢測系統(tǒng)應用的大多數環(huán)境中，我們只能得到“正常”數據。我們考慮如何通過這些數據建立一個正常模式，然后與當前的系統(tǒng)或用戶的行為比較，從而判斷出與正常模式的偏離程度。這樣的問題可以轉化為支持向量機的單類問題，它僅利用了“正?！鳖悢祿碓O計分類器判別當前樣本的類別歸屬。本文通過KDD99數據集上的實驗詳細討論了OCSVM的對偶問題參數，核函數參

4、數對推廣性的影響。仿真實驗表明OCSVM不但符合實際而且具有良好的推廣性。另外，現(xiàn)實情況下入侵行為是層出不窮的，不可能定義完整的訓練集進行訓練。因此希望入侵檢測系統(tǒng)具有這樣的能力，即它的學習精度可以隨著其不斷學習而逐步提高，這就是增量學習的思想。在分析現(xiàn)有的增量算法的基礎上，結合KKT條件在增量過程中的作用，提出了本文的改進的增量OCSVM算法，使得OCSVM異常檢測的分類器能夠隨著新的網絡數據不斷地進行增量學習，同時訓練集合規(guī)模得到一

5、定程度抑制，縮短了訓練時間。仿真實驗證明，改進后的增量方法使分類效果得到改善。樣本訓練過程的實時性使得基于OCSVM的入侵檢測系統(tǒng)成為一個實時系統(tǒng)，更加符合現(xiàn)實工作的要求。
　　隨著網絡速度的提升,入侵檢測系統(tǒng)面臨的一個重要問題是檢測速度低、負荷大,來不及處理網絡中傳輸的海量數據,并且這個問題變得越來越嚴重。要處理的數據的特征數目過多是導致速度下降的主要原因之一，很多研究者通過特征選擇來解決這個問題。本文研究了測試數據集----K