快速發(fā)展的計(jì)算機(jī)網(wǎng)絡(luò)在給人們帶來(lái)便利的同時(shí),也因?yàn)楦鞣N各樣異常流的出現(xiàn),給人們帶來(lái)安全上的困擾。而當(dāng)前針對(duì)網(wǎng)絡(luò)異常流的各種檢測(cè)系統(tǒng)都或多或少存在瑕疵,如最常見的入侵檢測(cè)系統(tǒng)（IDS）。市場(chǎng)化的IDS由于缺乏自學(xué)習(xí)的能力,開發(fā)和維護(hù)人員不得不實(shí)時(shí)的更新系統(tǒng)的病毒庫(kù),才能使系統(tǒng)正常的工作。隨著近幾年機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的出現(xiàn),網(wǎng)絡(luò)異常流的檢測(cè)出現(xiàn)了新的思路和方法。網(wǎng)絡(luò)異常流的攻擊特性,使得其在流量特征上必然與正常網(wǎng)絡(luò)流存在或多或少的差異,而這些差異可以使用機(jī)器學(xué)習(xí)挖掘出來(lái)的模式和規(guī)則來(lái)表示。當(dāng)前各種使用機(jī)器學(xué)習(xí)進(jìn)行的異常流檢測(cè)研究和實(shí)驗(yàn)不斷出現(xiàn),而且大都取得了良好的效果。但由于網(wǎng)絡(luò)異常流的復(fù)雜性和多樣性,這些研究和實(shí)驗(yàn)仍然存在諸多問(wèn)題；比如一些實(shí)驗(yàn)需要大量的訓(xùn)練樣本才能有效；而另一些實(shí)驗(yàn)仍然存在很高的漏報(bào)率或誤報(bào)率；因此對(duì)基于機(jī)器學(xué)習(xí)的異常流檢測(cè)方法的研究仍然有很長(zhǎng)的路要走。本論文通過(guò)對(duì)決策樹分類算法、隨機(jī)森林和AdaBoost分類算法進(jìn)行深入的研究；在AdaBoost算法的基礎(chǔ)上通過(guò)引入隨機(jī)森林的多決策樹投票機(jī)制,提出了以C4.5決策樹為核心的基于AdaBoost強(qiáng)分類器群（簡(jiǎn)稱AdaBo... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 論文研究背景與研究意義
    1.2 國(guó)內(nèi)外對(duì)異常流檢測(cè)的研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容與結(jié)構(gòu)
第二章 相關(guān)理論及基礎(chǔ)算法研究
    2.1 信息增益和信息增益率
    2.2 決策樹分類算法分析
        2.2.1 決策樹算法概述
        2.2.2 分裂屬性選擇
        2.2.3 常見的幾種決策樹分類算法
    2.3 Boosting算法研究
    2.4 AdaBoost分類算法研究
        2.4.1 AdaBoost算法概述
        2.4.2 AdaBoost分類器構(gòu)建過(guò)程
    2.5 隨機(jī)森林算法研究
        2.5.1 隨機(jī)森林概述
        2.5.2 隨機(jī)森林的泛化誤差估計(jì)
        2.5.3 隨機(jī)森林的特點(diǎn)
    2.6 本章小結(jié)
第三章 基于AdaBoost群_C4.5的網(wǎng)絡(luò)異常流檢測(cè)算法
    3.1 網(wǎng)絡(luò)數(shù)據(jù)流分析
        3.1.1 正常流的傳輸特征
        3.1.2 異常流的傳輸特征
        3.1.3 正常流與異常流對(duì)比
        3.1.4 網(wǎng)絡(luò)流屬性數(shù)據(jù)提取
    3.2 AdaBoost群_C4.5算法設(shè)計(jì)
        3.2.1 算法思想
        3.2.2 算法的輸入的處理
        3.2.3 算法性能分析
    3.3 基于AdaBoost群_C4.5的異常流檢測(cè)實(shí)現(xiàn)步驟
    3.4 本章小結(jié)
第四章 異常流檢測(cè)原型系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    4.1 異常流檢測(cè)原型系統(tǒng)設(shè)計(jì)
        4.1.1 系統(tǒng)模型設(shè)計(jì)
        4.1.2 數(shù)據(jù)庫(kù)存儲(chǔ)設(shè)計(jì)
        4.1.3 數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)
    4.2 仿真與數(shù)據(jù)提取模塊
    4.3 數(shù)據(jù)預(yù)處理模塊
        4.3.1 字符串類型的數(shù)值化處理
    4.4 樣本集和屬性集的劃分模塊
    4.5 屬性離散化模塊
    4.6 AdaBoost構(gòu)造模塊
        4.6.1 弱分類器的構(gòu)造
    4.7 異常流判定模塊
    4.8 本章小結(jié)
第五章 實(shí)驗(yàn)與分析
    5.1 實(shí)驗(yàn)環(huán)境搭建
    5.2 實(shí)驗(yàn)數(shù)據(jù)
    5.3 實(shí)驗(yàn)結(jié)果分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 工作展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]相關(guān)向量機(jī)分類方法的研究進(jìn)展與分析[J]. 趙春暉,張燚.  智能系統(tǒng)學(xué)報(bào). 2012(04)
[2]基于決策樹的網(wǎng)絡(luò)流量異常分析與檢測(cè)[J]. 李強(qiáng),嚴(yán)承華,朱瑤.  計(jì)算機(jī)工程. 2012(05)
[3]隨機(jī)森林方法研究綜述[J]. 方匡南,吳見彬,朱建平,謝邦昌.  統(tǒng)計(jì)與信息論壇. 2011(03)
[4]入侵檢測(cè)數(shù)據(jù)集KDD CUP99研究[J]. 張新有,曾華燊,賈磊.  計(jì)算機(jī)工程與設(shè)計(jì). 2010(22)
[5]基于流量信息結(jié)構(gòu)的異常檢測(cè)[J]. 朱應(yīng)武,楊家海,張金祥.  軟件學(xué)報(bào). 2010(10)
[6]用于分類的隨機(jī)森林和Bagging分類樹比較[J]. 馬景義,謝邦昌.  統(tǒng)計(jì)與信息論壇. 2010(10)
[7]連續(xù)型Adaboost算法研究[J]. 嚴(yán)超,王元慶.  計(jì)算機(jī)科學(xué). 2010(09)
[8]學(xué)習(xí)算法的穩(wěn)定性與泛化:一種新的穩(wěn)定性框架[J]. 張海,徐宗本.  數(shù)學(xué)學(xué)報(bào). 2009(03)
[9]基于機(jī)器學(xué)習(xí)方法的入侵檢測(cè)技術(shù)的研究[J]. 鄧安遠(yuǎn).  計(jì)算機(jī)科學(xué). 2008(01)
[10]一種基于統(tǒng)計(jì)的網(wǎng)絡(luò)流量異常檢測(cè)方法[J]. 崔偉蘭,尹遜偉,程永強(qiáng).  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2008(01)

博士論文
[1]基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測(cè)分類研究[D]. 鄭凱梅.中國(guó)礦業(yè)大學(xué)（北京） 2010
[2]樸素貝葉斯分類器及其改進(jìn)算法研究[D]. 蔣良孝.中國(guó)地質(zhì)大學(xué) 2009
[3]基于網(wǎng)絡(luò)行為的蠕蟲檢測(cè)關(guān)鍵技術(shù)研究[D]. 肖楓濤.國(guó)防科學(xué)技術(shù)大學(xué) 2009
[4]模糊分類模型的研究[D]. 陽(yáng)愛民.復(fù)旦大學(xué) 2005

碩士論文
[1]基于AdaBoost算法的人臉檢測(cè)研究[D]. 王英明.南京理工大學(xué) 2008



本文編號(hào)：3402144