本文關鍵詞：基于改進遺傳算法的貝葉斯入侵檢測研究　出處：《湖北工業(yè)大學》2017年碩士論文　論文類型：學位論文

  更多相關文章： 特征選擇 入侵檢測 遺傳算法 貝葉斯算法

【摘要】：入侵檢測系統(tǒng)作為防火墻的補充,可以通過主動防御的方式提前預判網(wǎng)絡環(huán)境中存在的安全隱患并及時做出響應,協(xié)助防火墻保障網(wǎng)絡安全。入侵檢測系統(tǒng)的核心技術在于檢測算法。高效、穩(wěn)定的檢測算法能通過較少的特征數(shù)據(jù)對網(wǎng)絡中的連接進行精準識別,達到提前預警的目的。本文針對入侵檢測系統(tǒng)中的檢測算法進行研究,在學習和研究同類算法的基礎上展開討論。全文主要工作如下:(1)介紹了入侵檢測系統(tǒng)的技術背景,國內外研究現(xiàn)狀及本文的研究目的和方法。介紹了入侵檢測KDD99數(shù)據(jù)集,并對數(shù)據(jù)預處理方法進行詳細說明,將貝葉斯算法用于KDD99數(shù)據(jù)集的分類,并對分類結果做詳細分析。(2)針對貝葉斯分類結果和KDD99數(shù)據(jù)集高維度特性,提出將遺傳算法用于數(shù)據(jù)集進行特征選擇,并將選出的特征子集用于貝葉斯分類,以求獲得更好的分類性能。在選擇最優(yōu)個體時,由于適應度函數(shù)是多元函數(shù),本文針對精英保存策略的不足,提出一種個體評優(yōu)的方法。在該方法中,適應度函數(shù)值不再是評估個體優(yōu)劣的唯一標準,而是綜合考慮影響個體最優(yōu)的各種因素,并將影響因素按照重要程度賦予不同影響因子,在參照適應度函數(shù)值為標準的基礎上提出了個體評優(yōu)的新標準。交叉操縱過程中,本文引入基因相似度的概念,對個體基因相似程度進行比較,并阻止基因相似度超過設定閾值的近親個體進行交叉,以提高種群個體多樣性。在變異過程中,為加快收斂速度,本文采用動態(tài)非線性變異算子對種群個體進行操作,這種操作方式在加快收斂速度的同時還能保證種群進化的隨機性,更符合遺傳學理論。(3)將本文所提的改進遺傳算法用于KDD99數(shù)據(jù)集進行特征選擇,并將選擇出的特征子集采用貝葉斯算法進行分類。為驗證本文所提方法的有效性,共設計三組不同對比實驗,實驗結果表明:采用本文改進的遺傳算法能獲得更低的數(shù)據(jù)維度且能提高檢測率。
[Abstract]:The intrusion detection system as a complement of firewall, security risks can be through the active defense way to predict in advance the network present in the environment and respond in time, assist the firewall to protect network security. Intrusion detection system is the core technology of the detection algorithm. Efficient detection algorithm can be stable for precise identification of connections on the network through the characteristics of less data the reach the aim of early warning. Detection of the intrusion detection system in this paper, the discussion on the basis of the learning and research of similar algorithms. The main works are as follows: (1) introduces the technical background of the intrusion detection system, the research purpose and methods and the status of research at home and abroad. This paper introduces the intrusion detection of the KDD99 data set, and a detailed description of the method of data preprocessing, the Bias algorithm for classification of KDD99 data sets, and every kind of results For a detailed analysis. (2) according to the Bias classification results and KDD99 data sets of high dimension characteristics, proposed a genetic algorithm for the data set for feature selection and feature subset for classification of Bias, in order to obtain a better classification performance. In the selection of the best individual, the fitness function is multi function, aiming at the elite preservation methods, proposes a method for individual evaluation. In this method, the fitness function value is no longer the sole criterion for individual merits, but considering the impact of various factors of individual optimal, and the factors in accordance with the importance of different factors, the reference value of fitness function is based on the standard put forward a new standard of individual appraised. Cross operation process, this paper introduces a concept of genetic similarity, the similarity degree of individual genes were compared, and stop gene similarity Exceeds the preset threshold relative cross individual, in order to improve the population diversity. In the process of mutation, in order to speed up the convergence, this paper uses the nonlinear dynamic mutation operator to operate on the individual, this mode of operation can accelerate the convergence speed while ensuring the randomness of population evolution, more in line with the theory of genetics (3) will be. The improved genetic algorithm proposed in this paper for the KDD99 data set for feature selection and feature subset selected using Bayesian classification algorithm. In order to verify the validity of the method proposed in this paper, a total design of three different groups of contrast experiments, experimental results show that the improved genetic algorithm used in this paper can obtain the data of lower dimension and to improve the detection rate.

【學位授予單位】：湖北工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP393.08;TP18

【相似文獻】

相關期刊論文 前10條

1 王興成,鄭紫微,賈欣樂;模糊遺傳算法及其應用研究[J];計算技術與自動化;2000年02期

2 吳瑞鏞,徐大紋;具有年齡結構的遺傳算法[J];桂林電子工業(yè)學院學報;2001年04期

3 楊艷麗,史維祥;一種新的優(yōu)化算法—遺傳算法的設計[J];液壓氣動與密封;2001年02期

4 楊宜康,李雪,彭勤科,黃永宣;具有年齡結構的遺傳算法[J];計算機工程與應用;2002年11期

5 谷峰,吳勇,唐俊;遺傳算法的改進[J];微機發(fā)展;2003年06期

6 ;遺傳算法[J];計算機教育;2004年10期

7 趙義紅,李正文,何其四;生物信息處理系統(tǒng)遺傳算法探討[J];成都理工大學學報(自然科學版);2004年05期

8 劉坤,劉偉波,吳忠強;基于模糊遺傳算法的電液位置伺服系統(tǒng)控制[J];黑龍江科技學院學報;2005年04期

9 張英俐,劉弘 ,馬金剛;遺傳算法作曲系統(tǒng)研究[J];信息技術與信息化;2005年05期

10 丁發(fā)智;;淺談遺傳算法[J];烏魯木齊成人教育學院學報;2005年04期

相關會議論文 前10條

1 陳家照;廖海濤;張中位;羅寅生;;一種改進的遺傳算法及其在路徑規(guī)劃中的應用[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

2 李國云;劉穎;薛梅;鄔志敏;;遺傳算法在高溫空冷冷凝器優(yōu)化設計中的應用[A];第五屆全國制冷空調新技術研討會論文集[C];2008年

3 王志軍;李守春;張爽;;改進的遺傳算法在反演問題中的應用[A];新世紀 新機遇 新挑戰(zhàn)——知識創(chuàng)新和高新技術產業(yè)發(fā)展（上冊）[C];2001年

4 任燕翔;姜立;劉連民;從滋慶;;改進遺傳算法在三維日照方案優(yōu)化中的應用[A];工程三維模型與虛擬現(xiàn)實表現(xiàn)——第二屆工程建設計算機應用創(chuàng)新論壇論文集[C];2009年

5 韓娟;;遺傳算法概述[A];第三屆河南省汽車工程科技學術研討會論文集[C];2006年

6 龐國仲;王元西;;基于遺傳算法控制步長的定性仿真方法[A];'2000系統(tǒng)仿真技術及其應用學術交流會論文集[C];2000年

7 張忠華;楊淑瑩;;基于遺傳算法的聚類設計[A];全國第二屆信號處理與應用學術會議�？痆C];2008年

8 何翠紅;區(qū)益善;;遺傳算法及其在計算機編程中的應用[A];1995年中國智能自動化學術會議暨智能自動化專業(yè)委員會成立大會論文集（下冊）[C];1995年

9 靳開巖;張乃堯;;幾種實用遺傳算法及其比較[A];1996年中國智能自動化學術會議論文集（下冊）[C];1996年

10 王宏剛;曾建潮;李志宏;;攝動遺傳算法[A];1996年中國智能自動化學術會議論文集（下冊）[C];1996年

相關重要報紙文章 前1條

1 林京;《神經網(wǎng)絡和遺傳算法在水科學領域的應用》將面市[N];中國水利報;2002年

相關博士學位論文 前10條

1 Amjad Mahmood;半監(jiān)督進化集成及其在網(wǎng)絡視頻分類中的應用[D];西南交通大學;2015年

2 李險峰;基于改進遺傳算法的汽車裝配生產線平衡問題研究[D];北京科技大學;2017年

3 周輝仁;遞階遺傳算法理論及其應用研究[D];天津大學;2008年

4 郝國生;交互式遺傳算法中用戶的認知規(guī)律及其應用[D];中國礦業(yè)大學;2009年

5 侯格賢;遺傳算法及其在跟蹤系統(tǒng)中的應用研究[D];西安電子科技大學;1998年

6 馬國田;遺傳算法及其在電磁工程中的應用[D];西安電子科技大學;1998年

7 唐文艷;結構優(yōu)化中的遺傳算法研究和應用[D];大連理工大學;2002年

8 周激流;遺傳算法理論及其在水問題中應用的研究[D];四川大學;2000年

9 劉冀成;基于改進遺傳算法的生物電磁成像與磁場聚焦應用研究[D];四川大學;2005年

10 袁麗華;基于物種進化的遺傳算法研究[D];南京航空航天大學;2009年

相關碩士學位論文 前10條

1 張英俐;基于遺傳算法的作曲系統(tǒng)研究[D];山東師范大學;2006年

2 鐘海萍;原對偶遺傳算法與蟻群算法的一種融合算法[D];暨南大學;2013年

3 李志添;模糊遺傳算法與資源優(yōu)化配置的預測控制[D];華南理工大學;2015年

4 王琳琳;新型雙層液壓轎運車車廂的設計研究[D];上海工程技術大學;2015年

5 李海全;基于遺傳算法的建筑體形系數(shù)及迎風面積比優(yōu)化方法研究[D];華南理工大學;2015年

6 彭騫;基于遺傳算法的山區(qū)高等級公路縱斷面智能優(yōu)化方法研究[D];昆明理工大學;2015年

7 周玉林;基于小波分析和遺傳算法的配電網(wǎng)故障檢測[D];昆明理工大學;2015年

8 郭頌;基于粗糙集和遺傳算法的數(shù)字管道生產管理系統(tǒng)研究[D];昆明理工大學;2015年

9 吳南;數(shù)值逼近遺傳算法的研究應用[D];華南理工大學;2015年

10 于光帥;一類優(yōu)化算法的改進研究與應用[D];渤海大學;2015年

，

本文編號：1368141