基于粗糙集屬性約簡(jiǎn)和加權(quán)SVM的入侵檢測(cè)方法研究.pdf

1、作為一種主動(dòng)的網(wǎng)絡(luò)安全技術(shù)，入侵檢測(cè)不僅能夠發(fā)現(xiàn)外部入侵者的攻擊，而且也能檢測(cè)到內(nèi)部合法用戶的非授權(quán)操作，被譽(yù)為繼防火墻之后的第二道網(wǎng)絡(luò)安全閘門(mén)。
　　 目前，許多學(xué)者將支持向量機(jī)(Support Vector Machine, SVM)機(jī)器學(xué)習(xí)方法應(yīng)用于入侵檢測(cè)之中，并取得了一定的研究成果。然而，在高維、大規(guī)模和不平衡入侵檢測(cè)數(shù)據(jù)中，SVM 入侵檢測(cè)方法存在訓(xùn)練時(shí)間長(zhǎng)、檢測(cè)速度慢以及對(duì)樣本數(shù)目少的攻擊類(lèi)型檢測(cè)率低的不足。

2、>　　 針對(duì)以上不足，本文提出并研究了基于粗糙集屬性約簡(jiǎn)和加權(quán)SVM的入侵檢測(cè)方法，并在KDDCUP1999 數(shù)據(jù)集上進(jìn)行了仿真實(shí)驗(yàn)。在此基礎(chǔ)上，開(kāi)發(fā)了相應(yīng)的入侵檢測(cè)實(shí)驗(yàn)原型。主要研究?jī)?nèi)容如下：
　　 針對(duì)高維入侵檢測(cè)數(shù)據(jù)中的無(wú)關(guān)屬性和冗余屬性致使分類(lèi)算法檢測(cè)速度慢和檢測(cè)率不高的問(wèn)題，以粗糙集為理論依據(jù)，提出了基于正區(qū)域快速屬性約簡(jiǎn)(Fast AttributeReduction Based on Positive Regio

3、n, PRFAR)算法，并給出了基于PRFAR的入侵檢測(cè)特征選擇方法。實(shí)驗(yàn)結(jié)果表明：與基于條件信息熵、區(qū)分矩陣和改進(jìn)正區(qū)域的屬性約簡(jiǎn)算法比較，PRFAR 屬性約簡(jiǎn)算法不僅更有效地去除了入侵檢測(cè)數(shù)據(jù)中的無(wú)關(guān)屬性和冗余屬性，獲取了入侵檢測(cè)數(shù)據(jù)的優(yōu)化特征子集，而且特征選擇效率更高，明顯提升了分類(lèi)算法的檢測(cè)速度和檢測(cè)率。
　　 針對(duì)大規(guī)模、不平衡入侵檢測(cè)數(shù)據(jù)導(dǎo)致SVM 入侵檢測(cè)方法訓(xùn)練時(shí)間長(zhǎng)、檢測(cè)速度慢以及對(duì)樣本數(shù)目少的攻擊類(lèi)型檢測(cè)率低

4、的問(wèn)題，提出了基于中間分類(lèi)超平面樣本縮減的加權(quán)SVM(Weighted Support Vector Machine Based on Middle Classification HyperplaneSample Reduction, MCHSR-WSVM)入侵檢測(cè)方法。實(shí)驗(yàn)結(jié)果顯示：與聚類(lèi)SVM和約簡(jiǎn)SVM 入侵檢測(cè)方法相比，該方法更有效地縮減了訓(xùn)練樣本集，不僅訓(xùn)練時(shí)間更短，檢測(cè)速度更快，而且對(duì)樣本數(shù)目少的攻擊類(lèi)型檢測(cè)率較高。

5、　　 在以上研究結(jié)果的基礎(chǔ)上，提出了基于粗糙集屬性約簡(jiǎn)和加權(quán)SVM的入侵檢測(cè)方法。該方法首先運(yùn)用PRFAR 屬性約簡(jiǎn)算法選取入侵檢測(cè)數(shù)據(jù)的優(yōu)化特征子集；然后采用MCHSR-WSVM 入侵檢測(cè)方法實(shí)現(xiàn)入侵檢測(cè)。實(shí)驗(yàn)結(jié)果表明：與SVM、PRFAR-WSVM和MCHSR-WSVM 入侵檢測(cè)方法比較，該方法訓(xùn)練和檢測(cè)耗時(shí)更少，并且對(duì)樣本數(shù)目少的攻擊類(lèi)型檢測(cè)率高，能夠克服了SVM 入侵檢測(cè)方法在高維、大規(guī)模和不平衡入侵檢測(cè)數(shù)據(jù)中存在的不足。