学位论文 > 优秀研究生学位论文题录展示

支持向量机及其在入侵检测中的应用研究

作　者: 程学云
导　师: 吉根林
学　校: 南京师范大学
专　业: 计算数学
关键词: 入侵检测支持向量机统计学习代价敏感学习分布式入侵检测
分类号: TP393.08
类　型: 硕士论文
年　份: 2007年
下　载: 200次
引　用: 5次
阅　读: 论文下载

内容摘要

随着计算机网络应用的日益普及，其安全性越来越受到人们的重视。入侵检测是对企图入侵、正在进行的入侵或已经发生的入侵进行识别的过程，是一种主动的网络安全防御措施。入侵检测作为网络安全研究的重要内容，已经引起了国内外学者的广泛关注。目前入侵检测方法存在误报率和漏报率较高，实时性较差等缺点，需要大量或完备的数据才能达到比较理想的检测性能。支持向量机(Support Vector Machine，SVM)是建立在统计学习理论基础上的基于小样本的机器学习方法，根据Vapnik的结构风险最小化原则，能避免过拟合，具有较强的泛化能力。SVM本质上是一个凸最优化问题，能得到全局最优解。此外，SVM还具有训练速度快、复杂度与维数无关等特性。将SVM应用到入侵检测中，可以保证在先验知识不足的情况下，入侵检测仍具有较好的分类精度，从而使得整个入侵检测系统(Intrusion Detection System，IDS)具有较好的检测性能。本文较深入地探讨了SVM的基本原理及其若于算法，针对实际检测中不同类型的错分损失代价不同，提出了基于SVM代价敏感学习的入侵检测方法，能有效降低攻击漏报率和高代价样本错误率；针对实际检测中训练样本规模通常较大、内存无法满足要求的现状，提出了基于SVM的信息融合方法，在各模块支持向量的并集上训练得到预测模型。对于独立同分布的训练和测试集，预测精度、漏报率、误报率等指标均与集中式训练的结果相当；将基于SVM的信息融合方法推广到分布式网络环境下，实现了分布式入侵检测。利用Java中RMI技术、Libsvm工具的Java接口开发了一个基于SVM的分布式入侵检测原型系统，并在KDD Cup 99数据集上进行实验，结果表明基于SVM的分布式入侵检测方法具有较高的入侵检测率。

支持向量机及其在入侵检测中的应用研究

内容摘要

全文目录

相似论文