目前,隨著網(wǎng)絡(luò)攻擊越來(lái)越猛烈,網(wǎng)絡(luò)安全技術(shù)得到了人們廣泛關(guān)注。入侵檢測(cè)是一種提供主動(dòng)防御攻擊的技術(shù),得到越來(lái)越多的關(guān)注。特別是近幾年人工免疫系統(tǒng)的研究,應(yīng)用到計(jì)算機(jī)領(lǐng)域,給入侵檢測(cè)系統(tǒng)的研究帶來(lái)了新的啟發(fā)。但是傳統(tǒng)的人工免疫系統(tǒng)大多建立在“自我和非我”的基礎(chǔ)上,存在著自體集過(guò)大、難以區(qū)分自我和非我的缺陷,隨著危險(xiǎn)理論的提出很好的彌補(bǔ)了這個(gè)缺陷。而建立在危險(xiǎn)理論基礎(chǔ)上的樹(shù)突細(xì)胞算法(Dendritic Cell Algorithm DCA)由于不需要大量訓(xùn)練樣本、簡(jiǎn)單方便、容易實(shí)現(xiàn)等優(yōu)點(diǎn),在入侵檢測(cè)技術(shù)的研究領(lǐng)域得到了專(zhuān)家的青睞。它獨(dú)特的生物特性,如自適應(yīng)性、魯棒性、耐受性等,正是入侵檢測(cè)系統(tǒng)所需要的,所以把樹(shù)突細(xì)胞算法應(yīng)用到入侵檢測(cè)系統(tǒng)中可以更好的保護(hù)計(jì)算機(jī)安全。 由于來(lái)自網(wǎng)絡(luò)的數(shù)據(jù)具有高維、復(fù)雜、大量冗余、屬性缺失、不完整等特征。而一般成熟的算法對(duì)輸入數(shù)據(jù)都有一定的要求,比如輸入數(shù)據(jù)干凈、完整、維度低等,所以需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,然而目前基于樹(shù)突細(xì)胞算法的入侵檢測(cè)系統(tǒng)對(duì)數(shù)據(jù)的預(yù)處理大都采用較為簡(jiǎn)單的處理技術(shù),不僅費(fèi)時(shí)費(fèi)力,而且往往難以實(shí)現(xiàn)。因此實(shí)現(xiàn)樹(shù)突細(xì)胞算法的數(shù)據(jù)自動(dòng)預(yù)處理就顯得...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
目錄
插圖或附表清單
注釋說(shuō)明清單
引言
1 緒論
    1.1 問(wèn)題提出的背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 入侵檢測(cè)發(fā)展現(xiàn)狀
        1.2.2 樹(shù)突細(xì)胞算法研究現(xiàn)狀
        1.2.3 數(shù)據(jù)預(yù)處理發(fā)展現(xiàn)狀
    1.3 本文的主要工作
    1.4 本文結(jié)構(gòu)安排
2 基于人工免疫理論的入侵檢測(cè)系統(tǒng)
    2.1 入侵檢測(cè)系統(tǒng)分類(lèi)
    2.2 現(xiàn)有入侵檢測(cè)存在的不足
    2.3 侵檢測(cè)技術(shù)發(fā)展趨勢(shì)
    2.4 入侵檢測(cè)系統(tǒng)的數(shù)據(jù)預(yù)處理
    2.5 人工免疫在入侵檢測(cè)中應(yīng)用
        2.5.1 人工免疫系統(tǒng)概述
        2.5.2 人工免疫系統(tǒng)主要算法
        2.5.3 人工免疫系統(tǒng)與入侵檢測(cè)
        2.5.4 人工免疫系統(tǒng)新發(fā)展
    2.6 本章小結(jié)
3 樹(shù)突細(xì)胞算法在入侵檢測(cè)中的應(yīng)用
    3.1 生物免疫機(jī)制簡(jiǎn)介
    3.2 樹(shù)突細(xì)胞算法簡(jiǎn)述
    3.3 DCA算法的輸入表示
        3.3.1 抗原表示
        3.3.2 信號(hào)的選擇和分類(lèi)
    3.4 DCA算法對(duì)輸出信號(hào)的處理
    3.5 抗原異常程度的表示
    3.6 本章小結(jié)
4 DCA算法的數(shù)據(jù)預(yù)處理研究
    4.1 維數(shù)約簡(jiǎn)
        4.1.1 維數(shù)約簡(jiǎn)概述
        4.2.2 數(shù)據(jù)降維方法分類(lèi)
    4.2 特征選擇
    4.3 特征提取
        4.3.1 主成分分析法
        4.3.2 信息增益法
        4.3.3 相關(guān)系數(shù)法
    4.4 集成PCA與DCA的數(shù)據(jù)預(yù)處理方法
    4.5 本章小結(jié)
5 實(shí)驗(yàn)與結(jié)果分析
    5.1 實(shí)驗(yàn)用數(shù)據(jù)集介紹
    5.2 實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)
    5.3 自動(dòng)數(shù)據(jù)預(yù)處理的實(shí)驗(yàn)與性能分析
        5.3.1 基于KDD CUP 99中10%子集的特征提取
        5.3.2 對(duì)特征集合進(jìn)行規(guī)范化處理
        5.3.3 執(zhí)行PCA算法
        5.3.4 集成PCA的DCA算法
        5.3.5 檢測(cè)率和誤報(bào)率分析
    5.4 本章小結(jié)
6 結(jié)論
參考文獻(xiàn)
致謝
作者簡(jiǎn)介及讀研期間主要科研成果



本文編號(hào)：4043911