本文關(guān)鍵詞：基于維數(shù)消減與SVM參數(shù)優(yōu)化的入侵檢測算法研究

  更多相關(guān)文章： 入侵檢測 支持向量機 維數(shù)消減 參數(shù)優(yōu)化 核主成分分析 粒子群優(yōu)化算法

【摘要】：隨著網(wǎng)絡(luò)攻擊技術(shù)和手段的日益突出,入侵檢測系統(tǒng)逐漸引起諸多學者的關(guān)注,成為了當前研究網(wǎng)絡(luò)安全方面的重要課題。在眾多的入侵檢測方法中,研究人員發(fā)現(xiàn)將支持向量機SVM(Support Vector Machine)方法應(yīng)用到入侵檢測領(lǐng)域存在諸多優(yōu)勢,而且對基于SVM的入侵檢測方法進行研究也有著非常重要的意義。本文從入侵檢測數(shù)據(jù)的維數(shù)消減、SVM的參數(shù)優(yōu)化和入侵檢測模型的構(gòu)建三方面入手,對基于SVM的入侵檢測算法的性能進行深入研究。首先,本文闡述了用于維數(shù)消減的核主成分分析算法,并分析了懲罰參數(shù)和核函數(shù)參數(shù)對SVM分類性能所帶來的影響,同時說明了利用粒子群算法進行參數(shù)優(yōu)化的背景與思想。其次,針對入侵數(shù)據(jù)集的高維數(shù)問題,提出一種基于ReliefF和樣本篩選的核主成分分析算法。該算法利用ReliefF算法進行特征選擇,并對特征選擇后的樣本分組執(zhí)行核主成分分析算法,從執(zhí)行結(jié)果中,挑選前兩個主成分對樣本進行篩選過濾,并對篩選后的樣本再次執(zhí)行核主成分分析算法,進而提取最終的主成分。再次,針對SVM參數(shù)對分類性能的影響問題,提出一種基于速度和位移同步優(yōu)化的粒子群優(yōu)化算法。該算法在粒子種群模型分類的基礎(chǔ)上,通過引入粒子進化度和聚合度兩個變量來實現(xiàn)對慣性權(quán)重、學習因子和時間因子的動態(tài)調(diào)整,以達到優(yōu)化粒子速度和位移的目的,使算法很快地找到最優(yōu)的SVM參數(shù)。最后,在驗證了上述提出的兩種改進算法的有效性的基礎(chǔ)上,本文重新構(gòu)建一種新的基于SVM的入侵檢測模型,并將該模型與其它入侵檢測模型在MATLAB環(huán)境下進行性能比較。
【關(guān)鍵詞】：入侵檢測 支持向量機 維數(shù)消減 參數(shù)優(yōu)化 核主成分分析 粒子群優(yōu)化算法
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18;TP393.08
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-16
• 1.1 研究背景和意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 入侵檢測方法研究現(xiàn)狀11-12
• 1.2.2 維數(shù)消減方法研究現(xiàn)狀12
• 1.2.3 SVM參數(shù)優(yōu)化研究現(xiàn)狀12-13
• 1.3 本文研究內(nèi)容13-14
• 1.4 本文組織結(jié)構(gòu)14-16
• 第2章 維數(shù)消減與SVM參數(shù)優(yōu)化方法16-21
• 2.1 核主成分分析算法實現(xiàn)維數(shù)消減的思想16-17
• 2.2 SVM與粒子群優(yōu)化算法17-20
• 2.2.1 SVM的原理18-19
• 2.2.2 SVM參數(shù)對分類性能的影響19-20
• 2.2.3 粒子群算法進行優(yōu)化的思想20
• 2.3 本章小結(jié)20-21
• 第3章 一種改進核主成分分析算法的維數(shù)消減方法21-35
• 3.1 引言21
• 3.2 入侵數(shù)據(jù)的高維性與規(guī)模性分析21-23
• 3.3 基于Relief F和樣本篩選的核主成分分析算法RFSS-KPCA23-30
• 3.3.1 Relief F算法思想23-24
• 3.3.2 改進的樣本篩選方法24-26
• 3.3.3 RFSS-KPCA算法設(shè)計26-30
• 3.4 RFSS-KPCA算法實現(xiàn)維數(shù)消減的實驗分析30-34
• 3.4.1 實驗環(huán)境與數(shù)據(jù)30
• 3.4.2 實驗過程分析30-33
• 3.4.3 實驗結(jié)果對比33-34
• 3.5 本章小結(jié)34-35
• 第4章 一種改進粒子群算法的SVM參數(shù)優(yōu)化方法35-50
• 4.1 引言35
• 4.2 影響粒子速度和位移的因素分析35-37
• 4.3 基于速度和位移同步優(yōu)化的粒子群算法VDSPSO37-45
• 4.3.1 粒子種群的模型劃分37-39
• 4.3.2 對粒子速度的優(yōu)化39-41
• 4.3.3 對粒子位移的優(yōu)化41-42
• 4.3.4 適應(yīng)度函數(shù)選取42
• 4.3.5 VDSPSO算法設(shè)計42-45
• 4.4 VDSPSO算法實現(xiàn)SVM參數(shù)優(yōu)化的實驗分析45-48
• 4.4.1 實驗過程分析46
• 4.4.2 實驗結(jié)果對比46-48
• 4.5 本章小結(jié)48-50
• 第5章 入侵檢測模型的構(gòu)建與驗證50-56
• 5.1 建立RFSS-KPCA-VDSPSO-SVM入侵檢測模型50-54
• 5.1.1 入侵數(shù)據(jù)集預(yù)處理階段50-52
• 5.1.2 改進的維數(shù)消減階段52-53
• 5.1.3 改進的參數(shù)優(yōu)化階段53
• 5.1.4 SVM訓(xùn)練與入侵分類預(yù)測階段53-54
• 5.2 模型的評價標準與驗證結(jié)果54-55
• 5.2.1 評價標準54
• 5.2.2 驗證結(jié)果54-55
• 5.3 本章小結(jié)55-56
• 結(jié)論56-58
• 參考文獻58-62
• 致謝62

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 俞研;黃皓;;一種半聚類的異常入侵檢測算法[J];計算機應(yīng)用;2006年07期

2 ;基于聚類的入侵檢測算法研究[J];廣東外語外貿(mào)大學學報;2008年06期

3 聶曉文;盧顯良;王征;;基于數(shù)字垂釣的盲目入侵檢測算法[J];計算機應(yīng)用;2008年05期

4 李思廣;劉蘊;;分布式入侵檢測系統(tǒng)的學習機制與檢測算法[J];漯河職業(yè)技術(shù)學院學報;2008年02期

5 宋凌;李枚毅;李孝源;;一種新的半監(jiān)督入侵檢測算法[J];計算機應(yīng)用;2008年07期

6 韓仲祥;段_";董淑福;張銳;陶曉燕;;基于反向傳播神經(jīng)網(wǎng)絡(luò)的入侵檢測算法[J];空軍工程大學學報(自然科學版);2009年04期

7 胡翰;;基于主動學習的半監(jiān)督聚類入侵檢測算法[J];無線互聯(lián)科技;2011年10期

8 林逢春;張英;;一種新的半監(jiān)督聚類入侵檢測算法[J];無線互聯(lián)科技;2012年03期

9 何曉薇;;跑道入侵檢測算法研究[J];中國民航飛行學院學報;2012年03期

10 梁力;;一種網(wǎng)絡(luò)多次變異信息入侵檢測算法[J];科技通報;2012年10期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 王志佳;顧健;;一種改進的確定有限自動機入侵檢測算法研究[A];全國計算機安全學術(shù)交流會論文集·第二十五卷[C];2010年

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 曾劍平;基于模糊集的自適應(yīng)偽裝入侵檢測算法及其在ASP服務(wù)安全中的應(yīng)用研究[D];廈門大學;2006年

2 段丹青;入侵檢測算法及關(guān)鍵技術(shù)研究[D];中南大學;2007年

3 王培崇;基于群智能計算技術(shù)的網(wǎng)絡(luò)入侵檢測算法研究[D];中國礦業(yè)大學（北京）;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 逯玉婧;基于深度信念網(wǎng)絡(luò)的入侵檢測算法研究[D];河北師范大學;2016年

2 董蒙;基于維數(shù)消減與SVM參數(shù)優(yōu)化的入侵檢測算法研究[D];燕山大學;2016年

3 程果;基于分簇的入侵檢測算法[D];西南大學;2016年

4 葛郵兵;基于數(shù)據(jù)挖掘的入侵檢測算法研究[D];揚州大學;2008年

5 斯海飛;入侵檢測算法研究[D];西安電子科技大學;2002年

6 王川偉;基于混合聚類的入侵檢測算法研究[D];西安科技大學;2010年

7 李雯睿;基于半監(jiān)督聚類的入侵檢測算法研究[D];河南大學;2007年

8 李麗;基于學習的入侵檢測算法研究[D];北京服裝學院;2010年

9 周記生;安全敏感區(qū)域的入侵檢測算法研究與實現(xiàn)[D];北京郵電大學;2013年

10 王軍;基于人工免疫原理的入侵檢測算法研究[D];武漢理工大學;2008年

，

本文編號：540980