一种改进的贝叶斯网算法在入侵检测中的应用研究.docVIP

一种改进的贝叶斯网算法在入侵检测中的应用研究 　　摘要：这种改进的贝叶斯网算法采用粗糙集理论对数据集进行降维处理，减少贝叶斯网学习的计算成本；利用互信息理论，提出一种基于互信息的贝叶斯网结构学习算法。实验表明这种算法，即提高了检测精度又提高了检测效率。 　　Abstract： This improved Bayesian network algorithm uses rough set theory for data dimension reduction process to reduce the computational cost of Bayesian network learning. Using the theory of mutual information， a Bayesian network structure learning algorithm based on mutual information is proposed. Experiments show that this algorithm can improve the detection precision and the detection efficiency. 　　关键词：贝叶斯网；粗糙集；互信息；入侵检测 　　Key words： Bayesian network；rough set；mutual information；intrusion detection 　　中图分类号：TP393.0 文献标识码：A 文章编号：1006-4311（2016）02-0156-02 　　0 引言 　　随着互联网的不断发展，网络的安全问题也逐渐成为人们关注的焦点。近些年来，已经有不少人开始进行入侵检测方面的研究。 　　贝叶斯网络依靠它坚实的数学理论基础和直观的方法，现在被广泛应用于人工智能、图像识别、智能系统以及数据挖掘和知识发现等领域。贝叶斯网络有着综合先验信息和样本信息的强大能力，越来越多的人把它应用在入侵检测的研究中。 　　然而将贝叶斯网络应用到入侵检测过程中存在以下几个问题：①如果贝叶斯网络的节点太多，就会在构建网络的时候计算成本过高，当运行分类时候，也会产生过大的计算量从而降低分类的效率。②传统的贝叶斯学习算法，在结构学习上仍存在得到的贝叶斯网结构与现实网络结构有较大差异，影响检测的精度。 　　本文采用了基于粗糙集理论的属性简约算法，对训练样本进行了降维处理，减少了贝叶斯网络的冗余节点数，从而减少了构建网络时的计算成本，检测的效率也随之提高；同时提出一种基于互信息的贝叶斯结构学习算法使得贝叶斯网的结构更准确，提高检测精度。 　　1 粗糙集理论 　　粗糙集（Rough Set，也称Rough 集、粗集）理论是Pawlak 教授于1982 年提出的一种能够定量分析处理不精确、不一致、不完整信息与知识的数学工具。粗糙集理论最初的原型来源于比较简单的信息模型，它的基本思想是通过关系数据库分类归纳形成概念和规则，通过等价关系的分类以及分类对于目标的近似实现知识发现。 　　定义1设S是一个论域，I是定义在S上的一个等价关系集合，R∈I。如果Ind（I＼{R}）=Ind（I），则称关系R在I中是冗余的；否则，称R在I中是必要的。 　　本文采用的属性简约算法是以经典粗糙集理论的等价关系为依据的，可以快速有效地得出一个简约。 　　算法1 粗糙集属性简约算法。 　　下面给出属性简约算法的伪代码： 　　Input：数据集T； 　　Output：约简后的数据集D； 　　/*调用数据离散化程序*/ 　　Discretize（T） 　　/*求等价矩阵*/ 　　FOR i FROM 1 To n /*n是属性个数，m是数据集实例数*/ 　　FOR p FROM 1 To m 　　FOR q FROM 1 To m 　　IF T（p，i）==T（q，i） 　　M（q，p）=1； 　　Else 　　M（q，p）=0； 　　END IF； 　　END FOR； 　　END FOR 　　END FOR 　　M（i）； /*得到n个矩阵M1，M2…Mn*/ 　　/*属性约简过程*/ 　　M（A）=M1M2…Mn； 　　FOR i FROM 1 To n 　　IF M（A）=M（A-i） 　　D=T-i； /*i为不必要属性，从数据集T中删除*/ 　　END IF； 　　END FOR； 　　2 贝叶斯结构学习算法 　　目前主要的贝叶斯网络结构学习方法有两种：一是基于评分-查询的学习方法，它是按照一定的查询方法及评分标准形成贝叶斯网络结构；另外一种是通过判断节点间是否有依赖关系的学习算法，而