隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展,網(wǎng)絡(luò)環(huán)境存在著海量數(shù)據(jù),所以網(wǎng)絡(luò)安全問題顯得尤為重要。網(wǎng)絡(luò)環(huán)境不安全會導(dǎo)致隱私泄露和資源盜用等諸多問題發(fā)生,給人們的工作生活帶來許多損失。因此,網(wǎng)絡(luò)入侵檢測成為了一個研究熱點(diǎn)。網(wǎng)絡(luò)入侵檢測通過對網(wǎng)絡(luò)信息進(jìn)行分析從而發(fā)現(xiàn)是否存在違反安全策略的行為和被攻擊的跡象。網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)的特征選擇對于網(wǎng)絡(luò)入侵檢測而言是至關(guān)重要的一個環(huán)節(jié),直接影響著后期檢測的效果。網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)維數(shù)高和數(shù)據(jù)規(guī)模大等特點(diǎn)會使其計(jì)算成本增加,其中的冗余屬性和不相關(guān)屬性,還會影響檢測的效果。針對上述存在的問題,本文針對網(wǎng)絡(luò)入侵檢測技術(shù),提出了兩個特征選擇算法來提高入侵檢測的效率。主要研究內(nèi)容如下:(1)針對粗糙集的特征選擇問題,提出了一個基于信息增益和粗糙集相結(jié)合的特征選擇算法來降低時間復(fù)雜度。該算法先利用信息增益算法刪除冗余屬性,再使用粗糙集理論求得特征子集,并對多數(shù)類和少數(shù)類進(jìn)行特征選擇,選出對少數(shù)類別影響較大的屬性,加入求得的特征子集中,作為最終結(jié)果。最后使用隨機(jī)森林分類器進(jìn)行分類,進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,基于信息增益和粗糙集相結(jié)合的算法不僅能夠有效的刪除冗余和不相關(guān)的屬性,降低了計(jì)算成本,而... 

【文章來源】：遼寧師范大學(xué)遼寧省

【文章頁數(shù)】：51 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１?ＬＬＥ算法流程圖??Ｆｉｇ．?２．１?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ＬＬＥ?ａｌｇｏｒｉｔｈｍ??ＬＬＥ算法認(rèn)為每一個樣本點(diǎn)都可以由其近鄰點(diǎn)的線性加權(quán)組合構(gòu)造得到，具??

圖２．?２樸素貝葉斯分類的流程??Ｆｉｇ．?２．２?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｎａｉｖｅ?Ｂａｙｅｓ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??備階段，這個階段主要是做分類前的準(zhǔn)備工作。首先，在整個樣樣本作為訓(xùn)練集，再將選取的訓(xùn)練集輸入分類器中，這個階段都，訓(xùn)練樣本的選取會對分類有一定的影響。其實(shí)分類器的質(zhì)量很征屬性、特征屬性劃分及訓(xùn)練樣本的質(zhì)量。??練階段，這個階段的核心就是產(chǎn)生分類器，主要是將準(zhǔn)備階段輸進(jìn)行運(yùn)算，計(jì)算類別出現(xiàn)的頻率以及特征劃分類別的條件概率，習(xí)過程。這一階段不需要人工完成，是由程序自動完成的。??類階段。這個階段主要是使用訓(xùn)練階段產(chǎn)生的分類器對待分類樣入的是分類器和無標(biāo)簽的樣本，輸出是該樣本的標(biāo)簽，這個標(biāo)簽出來的。這一階段也是不需要人工完成。??使用預(yù)測的標(biāo)簽和原始的標(biāo)簽進(jìn)行對比，得到各種評價標(biāo)準(zhǔn)。??樹??（Ｄｅｃｉｓｉｏｎ?Ｔｒｅｅ，?ＤＴ／４３１是一種被普遍應(yīng)用的機(jī)器學(xué)習(xí)方法。決策

能處理連續(xù)的數(shù)據(jù)。因此，實(shí)驗(yàn)先對數(shù)據(jù)進(jìn)行離散化處理，然后對整體數(shù)據(jù)做歸??一化處理，再進(jìn)行特征選擇，最后利用隨機(jī)森林分類器進(jìn)行分類檢測。經(jīng)過對隨??機(jī)森林分類器的參數(shù)Ａ進(jìn)行尋優(yōu)分析，實(shí)驗(yàn)結(jié)果如圖３．１和圖３．２所示，本章選??擇ｈｌＯ為最終實(shí)驗(yàn)參數(shù)。??搬??§?，??５５??５６??Ｂ４??Ｋ－ｌ?ｋ＝５?ｋ＝１０?ｋ＝５０?ｋ＝ｌＣＫ）?ｋ－５００?ｋ＝１０００??圖３．１不Ｍ參數(shù)Ａ下的準(zhǔn)確中．??Ｆｉｇ．３．１?Ａｃｃｕｒａｃｙ?ｏｆｃｌｉＨｅｒｅｎｌ?ｐａｒａｍｅｔｅｒｓ?ｋ??１９??


本文編號：2932786