隨著互聯(lián)網(wǎng)的飛快發(fā)展和普及，各種針對計算機的網(wǎng)絡(luò)入侵行為日漸頻繁。為了有效的遏制這些網(wǎng)絡(luò)入侵行為，在上世紀(jì)80年代初提出了網(wǎng)絡(luò)入侵檢測系統(tǒng)。入侵檢測系統(tǒng)作為網(wǎng)絡(luò)安全防御系統(tǒng)比較重要的組成部分，它通過各種機器學(xué)習(xí)的方法，建立網(wǎng)絡(luò)異常檢測模型，并將當(dāng)前收集到的網(wǎng)絡(luò)數(shù)據(jù)在模型中進行決策，發(fā)現(xiàn)異常并進行報警。到目前為止，為了保護網(wǎng)絡(luò)安全，概率統(tǒng)計分析方法、人工神經(jīng)網(wǎng)絡(luò)方法、數(shù)據(jù)挖掘方法、模糊數(shù)學(xué)理論等被提出來用于網(wǎng)絡(luò)異常檢測。但是，單一的檢測方法很難獲得較好的檢測結(jié)果，限制了入侵檢測系統(tǒng)在實際的企業(yè)中大規(guī)模采用。因此本文把改進D-S證據(jù)理論和SVM相融合應(yīng)用到網(wǎng)絡(luò)異常行為檢測模型中。 首先，本文從入侵檢測的理論知識入手，綜述了入侵檢測的相關(guān)概念、產(chǎn)生、發(fā)展、作用、分類和常用的檢測模型，并闡述了支持向量機的原理和數(shù)據(jù)融合技術(shù)的思想。支持向量機采用結(jié)構(gòu)風(fēng)險最小化原理，在解決高維小樣本表現(xiàn)出天然優(yōu)勢，能很好的將入侵檢測問題進行分類和預(yù)測。 然后，針對經(jīng)典D-S算法因不能較好合成高度沖突證據(jù)而會導(dǎo)致過高的誤報率這一問題，提出了基于改進的加權(quán)D-S證據(jù)組合方法應(yīng)用到網(wǎng)絡(luò)異常行為檢測中，并融合SVM，將數(shù)...

【文章頁數(shù)】：51 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題的背景和意義
    1.2 課題研究情況與分析
    1.3 本文研究工作和組織結(jié)構(gòu)
第二章 入侵檢測
    2.1 入侵檢測的產(chǎn)生歷史與發(fā)展
    2.2 入侵檢測的相關(guān)概念
    2.3 入侵檢測系統(tǒng)
        2.3.1 入侵檢測的通用基本結(jié)構(gòu)
        2.3.2 入侵檢測系統(tǒng)的常見模型
    2.4 入侵檢測的作用和必要性
    2.5 入侵檢測系統(tǒng)的相關(guān)分類
        2.5.1 按入侵檢測的檢測原理分類
        2.5.2 按系統(tǒng)獲取的數(shù)據(jù)來源分類
        2.5.3 按體系結(jié)構(gòu)的不同分類
        2.5.4 按攻擊的響應(yīng)方式分類
        2.5.5 按時效性分類
    2.6 目前常見的入侵檢測方法
    2.7 入侵檢測系統(tǒng)的發(fā)展方向
第三章 網(wǎng)絡(luò)異常檢測和數(shù)據(jù)融合
    3.1 網(wǎng)絡(luò)異常檢測算法
        3.1.1 機器學(xué)習(xí)
        3.1.2 支持向量機
    3.2 數(shù)據(jù)融合技術(shù)
        3.2.1 數(shù)據(jù)融合的方法
        3.2.2 數(shù)據(jù)融合技術(shù)的意義
        3.2.3 數(shù)據(jù)融合的發(fā)展方向
第四章 基于擴展 D-S 融合 SVM 的異常檢測模塊設(shè)計與實現(xiàn)
    4.1 D-S 證據(jù)理論
        4.1.1 經(jīng)典 D-S 證據(jù)理論
        4.1.2 經(jīng)典證據(jù)理論的缺陷
        4.1.3 組合規(guī)則改進
    4.2 基于加權(quán)的 D-S 證據(jù)理論的入侵檢測模塊的設(shè)計與實現(xiàn)
        4.2.1 入侵檢測模塊流程圖
        4.2.2 數(shù)據(jù)說明及分類
        4.2.3 模型說明
        4.2.4 SVM 中核函數(shù)的選擇以及參數(shù)
    4.3 仿真實驗
        4.3.1 數(shù)據(jù)集預(yù)處理
        4.3.2 實驗結(jié)果與數(shù)據(jù)
    4.4 本章小結(jié)
第五章 基于 SVM 融合新模型的網(wǎng)絡(luò)異常檢測
    5.1 支持向量機核函數(shù)以及參數(shù)的選擇
    5.2 SVM 融合新模型
        5.2.1 SVM 融合模型的設(shè)計
        5.2.2 SVM 融合檢測模型的實現(xiàn)
    5.3 仿真實驗
        5.3.1 實驗環(huán)境
        5.3.2 實驗結(jié)果及分析
    5.4 本章小結(jié)
第六章 主要結(jié)論與展望
致謝
參考文獻
附錄：作者在攻讀碩士學(xué)位期間發(fā)表的論文



本文編號：3862617