入侵檢測是維持網(wǎng)絡安全的重要手段,其通過對流量日志進行分析,可以及時發(fā)現(xiàn)和阻斷網(wǎng)絡入侵。在入侵檢測中,由于背景流量包含所有非入侵的流量,具有數(shù)據(jù)量大和流量種類多的特點,因此構建出具有代表性的背景流量數(shù)據(jù)集非常困難。本文中,將入侵流量作為正例數(shù)據(jù),研究了基于正例和無標簽學習的入侵檢測方法,從而避免構建背景流量數(shù)據(jù)集,使入侵檢測系統(tǒng)具有更好的泛化性能。在基于正例和無標簽學習的入侵檢測系統(tǒng)構建過程中,主要從以下三個方面展開研究:1)針對入侵檢測中背景流量數(shù)據(jù)量大的特點,研究了特征加權OCSVM模型用于背景流量過濾。在本文中,首先分析了OCSVM特征加權的原理;然后研究了正例和無標簽學習中關鍵特征識別方法,指出通過正例數(shù)據(jù)和反例數(shù)據(jù)的分布差異可以識別關鍵特征;最后給出正例和無標簽學習特征重要度的計算方法,并將特征重要度作為特征權重對OCSVM模型進行加權。2)研究類先驗概率估計算法。類先驗概率是無標簽數(shù)據(jù)集中正例樣本所占的比例,其是正例和無標簽學習的必要條件。在本文中分析了類先驗概率估計的原理,提出基于部分匹配的KL-KDE算法和OCSVM-c E算法,最后通過實驗分析了兩種算法的估計準確率和...

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【部分圖文】：

圖2-1OCSVM原理

哈爾濱工業(yè)大學工學碩士學位論文-9-第2章特征加權OCSVM與流量過濾在本章中，將入侵流量作為正例數(shù)據(jù)集，以OCSVM模型作為背景流量的過濾方法，來減少背景流量的樣本量，以提升入侵檢測的效率和緩解數(shù)據(jù)不平衡問題。本章中研究了OCSVM的特征加權方法，分析了在僅有正例標簽數(shù)據(jù)時特征....

圖2-2OCSVM決策面

哈爾濱工業(yè)大學工學碩士學位論文-9-第2章特征加權OCSVM與流量過濾在本章中，將入侵流量作為正例數(shù)據(jù)集，以OCSVM模型作為背景流量的過濾方法，來減少背景流量的樣本量，以提升入侵檢測的效率和緩解數(shù)據(jù)不平衡問題。本章中研究了OCSVM的特征加權方法，分析了在僅有正例標簽數(shù)據(jù)時特征....

圖2-3關鍵特征

哈爾濱工業(yè)大學工學碩士學位論文-13-圖2-3關鍵特征圖2-4冗余特征圖2-3展示了一種理想的關鍵特征屬性分布情況，在這種情況下，由于無標簽數(shù)據(jù)集中同時包含了正例和反例數(shù)據(jù)，關鍵特征的屬性分布會基于類標簽存在如圖2-3所示的雙峰特征，0.7和0.2分別是該特征在正例和反例中特征的....

圖2-4冗余特征

哈爾濱工業(yè)大學工學碩士學位論文-13-圖2-3關鍵特征圖2-4冗余特征圖2-3展示了一種理想的關鍵特征屬性分布情況，在這種情況下，由于無標簽數(shù)據(jù)集中同時包含了正例和反例數(shù)據(jù)，關鍵特征的屬性分布會基于類標簽存在如圖2-3所示的雙峰特征，0.7和0.2分別是該特征在正例和反例中特征的....

本文編號：3939524