網络信息安全-基于SVM的IDS关键技术.docVIP

PAGE PAGE 1 网 络 信 息 安 全 论 文 TOC \o 1-3 \h \z \u HYPERLINK \l _Toc310368337 基于SVM的IDS关键技术 PAGEREF _Toc310368337 \h 2 HYPERLINK \l _Toc310368338 1、SVM和IDS介绍 PAGEREF _Toc310368338 \h 2 HYPERLINK \l _Toc310368339 1.1 SVM(support vector machine 支持向量机) PAGEREF _Toc310368339 \h 2 HYPERLINK \l _Toc310368340 1.2 SVM的主要思想可以概括为两点： PAGEREF _Toc310368340 \h 2 HYPERLINK \l _Toc310368341 1.3 SVM的一般特征 PAGEREF _Toc310368341 \h 3 HYPERLINK \l _Toc310368342 1.4 SVM原理简介 PAGEREF _Toc310368342 \h 3 HYPERLINK \l _Toc310368343 2、IDS入侵检测 PAGEREF _Toc310368343 \h 3 HYPERLINK \l _Toc310368344 2.1 什么是入侵检测系统 PAGEREF _Toc310368344 \h 4 HYPERLINK \l _Toc310368345 2.2 入侵检测的任务 PAGEREF _Toc310368345 \h 4 HYPERLINK \l _Toc310368346 2.3 入侵检测的分类 PAGEREF _Toc310368346 \h 5 HYPERLINK \l _Toc310368347 2.4 入侵检测系统的结构 PAGEREF _Toc310368347 \h 6 HYPERLINK \l _Toc310368348 2.4 主要入侵检测技术 PAGEREF _Toc310368348 \h 7 HYPERLINK \l _Toc310368349 2.5 当前入侵检测技术的不足 PAGEREF _Toc310368349 \h 8 HYPERLINK \l _Toc310368350 2.6 入侵检测技术发展方向 PAGEREF _Toc310368350 \h 8 HYPERLINK \l _Toc310368351 2.7 入侵检测算法 PAGEREF _Toc310368351 \h 8 HYPERLINK \l _Toc310368352 3 结论 PAGEREF _Toc310368352 \h 11 基于SVM的IDS关键技术 1、SVM和IDS介绍 1.1 SVM(support vector machine 支持向量机) 支持向量机SVM(Support Vector Machine)作为一种可训练的机器学习方法,依靠小样本学习后的模型参数进行导航星提取,可以得到分布均匀且恒星数量大为减少的导航星表 　　 基本情况　Vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线 svm 产品性可分说起，然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机(Support Vector Machine,简称SVM)。支持向量机的提出有很深的理论背景。 　　支持向量机方法是在近年来提出的一种新方法。 　　 1.2 SVM的主要思想可以概括为两点： (1) 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能； 　　 　(2) 它基于结构风险最小化理论之上在特征空间中建构最优分割超平面， 使得学习器得到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。 　　在学习这种方法时，首先要弄清楚这种方法考虑问题的特点，这就要从线性可分的最简单情况讨论起，在没有弄懂其原理之前，不要急于学习线性不可分等较复杂的情况，支持向量机在设计时，需要用到条件极值问题的求解，因此需用拉格朗日乘子理论，但对多数人来说，以前学到的或常用的是约束条件为等式表示的方式，但在此要用到以不等式作为必须满足的条件，此时只要了解拉格朗日理论的有关结论就行。 1.3 SVM的一般特征 　　（1）SVM学习问题可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法（如