基于GPU并行计算的快速智能入侵检测技术研究6.ppt

基于GPU并行计算的快速智能入侵检测技术研究 ● 研究意义及研究工作现状 ● 主要研究内容与方案 ● 拟解决的关键问题 ● 研究进度 ● 项目有关的工作条件 ● 预期研究成果 ● 经费预算 针对问题 1）： ● 采用神经网络、遗传算法等智能算法发现未知攻 击，但精度不够好、建模速度慢。 针对问题 2）： ● 将检测算法固化到硬件电路ASIC中: 开发和使用成 本较高，算法升级困难，不够灵活。 ● 采用负载均衡方式: 由于设备的增加，成本增加。而且由于信息被分流，易形成漏报。 本研究针对信息安全中高速（百兆及以上）、大样本（100,000）入侵检测问题： 1）研究基于约简SVM的快速智能入侵检测模型； 2）研究基于GPU高性能并行计算平台的快速智能入侵检 测算法的设计与移植； 3）研究通过合理构造SVM分类器的结构与参数，提高 入侵检测分类器检测精度，模型推广能力和检测速度。 （1）淘汰近质心内部点 （2）淘汰远界外部点 欧式距离计算+排序 GPU（Graphic Processing Unit，图形处理器）具有三大特性： ● 高浮点运算能力：GPU支持32位IEEE标准浮点精度计算，具有几倍，十几倍于CPU的浮点运算能力。 ● 可编程性：在CUDA框架下，支持用C、C++语言开发，算法移植代价低。 ● 并行运算：SIMD运行方式适合于数据密集型并行计算。如，G80具有128个流处理器，理论上可以进行128路的并行运算。 在约简SVM快速分类算法中，适合于GPU并行计算的部分是： ● 距离计算（矩阵减法、乘法） ● 排序计算（双调排序） ● 分类判别函数计算（支持向量与带分向量的内积运算）  ● 凸包计算 ● 一个性能良好的入侵检测分类器应该根据结构风险最小的原则设计，即：要求在经验风险值小的情况下，具有强的推广能力强。 ● SVM异常检测分类器的设计包括以下两步： 1) 检测模型选择 2) 模型参数估计 ● 在凸包计算中，有2个关键点： 1）高维凸包计算的算法 2）确定凸包并行分解的尺寸 ● 在GPU并行计算中，各并行算法的设计和移植是关键，涉及： 1）基于欧式距离的样本初选算法 2）凸包并行计算算法 3）SVM分类测试算法 ● 2005年，基于SVM的智能入侵检测建模； ● 2006~2007年，入侵检测大规模数据集的SVM训练； ● 2008年，参与了ICML‘08 Workshop PASCAL Large Scale Learning Challenge （大规模数据集的机器学习竞赛）活动，完成在3个大规模数据集（500维，样本数500,000）上的分类竞赛。其中在BETA数据集上的竞赛，获得rank 2的排名。 ● 2009年，入侵检测大规模数据的GPU并行计算； ● 申请者3年来在IEEE 期刊、IEEE国际会议、国内核心期刊等发表相关论文10余篇，主持与参与纵项和横向科研项目多项，具有科研和创新能力。 ● 申请者所在的华东理工大学拥有各类服务器、 PC机和笔记本电脑，各类开发所需软件齐全。华东理工大学图书馆拥有IEEE IEL等电子数据库资源。 ● 项目组拥有GPU设备（G8300,GTX260）和开发平台。 课题成果将主要以研究论文和专利形式提交。 1） 在国内外核心及以上刊物和高水平国际会议 上发表论文2~4篇（EI收录2篇以上，SCI收录1 篇以上） 2） 拟申请专利1项 3） 培养硕士生1~2名。 谢谢各位专家 基于CUDA的GPU通用计算 实验条件 研究有关的工作条件 7 预期研究成果 预期研究成果 8 经费预算 0.2 0.1 0.5 0.7 1.5 2011年 0.1 0.2 0.5 0.7 1.5 2010年 0.3 0.3 1 1.4 3 合计 其他 经费 材料、图 书资料费 会议及 调研费 出版 发表费 合 计 经费预算 线程分配模型 多级存储器模型 * * 汇报人： 张雪芹 zxq@ecust.edu.cn 2009-11-29 1 研究意义及研究现状 入侵检