聚类技术在网络入侵检测中的研究与应用.pdfVIP

摘 要 随着计算机网络的不断发展，信息化成为人类发展的大趋势，网络安全也不 可避免地成为一个非常重要的问题。人们对系统安全的要求与日俱增，其要求之 一就是入侵检测系统（IDS ）。入侵检测是主动实时地跟踪检查对系统的攻击和内 部误用，并及时做出响应。入侵检测系统根据数据分析方法可分为滥用检测系统 和异常检测系统，根据获取审计数据来源可分为基于主机的入侵检测系统（HIDS ） 和基于网络的入侵检测系统（NIDS ）。 本文围绕入侵检测系统进行了深入细致的研究，介绍了入侵检测的研究进展， 分析了入侵检测系统的特征、结构和分类，分析了入侵检测系统的发展方向以及 在入侵检测中常用的数据挖掘方法，深入研究了聚类技术在入侵检测系统中的应 用，并对系统性能做出评估。本文的主要工作和创新之处在于： 1. 网络数据量的激增，使审计数据以惊人速度剧增，而从海量审计数据中提 取出具有代表性的系统特征模式，是实现入侵检测的难点。本论文设计了一个基 于数据挖掘的自适应入侵检测系统结构，该系统能收集自身系统环境中的数据并 能自动训练这些数据以生成检测模型，使收集数据、建立模型及检测的过程自动 化。当检测环境改变时，入侵检测系统不需要做很大的改动，并且当新的攻击类 型或新的正常行为模式出现时，入侵检测系统能够较好地识别并自动完善知识库。 2. 系统训练数据时，如果训练集中数据不够洁净，将导致某些异常数据及其 变种都被视作正常数据。但是实际上，收集一个完全洁净的训练数据集是很不容 易的。本系统在常用聚类技术 K-means 算法的基础上，对 K-means 算法加以改进， 使不带标识且含异常数据的训练集数据能自动以最优参数确定类的划分。此方法 降低了对训练数据集的要求，并能较好地从网络连接数据中检测出新的入侵行为。 关键词：入侵检测系统，数据挖掘，聚类技术，K-means 算法 I ABSTRACT With the continuous development of computer networks, information has become a major trend of human development. Thus, network security will inevitably become an important issue. People demand on its system security is increasing as well. Intrusion detection systems (IDS) are one of the requirements. It is an active real-time tracking system to check the attacks and internal misuse, and timely respond. Based on the data analysis, intrusion detection systems can be divided into misuse detection systems and anomaly detection system, while on the basis of the audit data sources, they can be divided into host-based Intrusion Detection System (HIDS) and network-based Intrusion Detection System (NIDS). This thesis focuses on the intrusion detection system, describes its research development, makes an analysis of the characteristics, structure and classification of intrusion