焦作大学毕业论文范文下载参考.PDFVIP

中国月期刊咨询网 焦作大学毕业论文范文下载参考 随着计算机软硬件的迅猛发展，计算机网络之上的应用日益广泛，在享受互联网带来的各种便利的同时，人们面临着 更严重的网络入侵的威胁。网络上随处可见的黑客软件使得入侵行为与日俱增，统计数据表明，每年网络入侵事件的 数量呈指数形式增长。与此同时，网络入侵更显示出多样性，智能性，隐蔽性等特点，这使得仅靠传统的杀毒软件、 防火墙等静态防御技术无法保证网络的安全。 摘要：提出了一种聚类学习与增量SVM训练相结合的的入侵检测方法，采用聚类分析、样本修剪与增量学习相结合 的方式，通过聚合相似的训练样本以支持多类别分类，通过去除相似的样本而只取其代表点，从而减少参加训练的样 本数量，提高学习效率，同时采用基于广义KKT判决的增量学习方法，有效改善了多类别入侵检测场合下样本数据集 过于庞大，学习速度过慢且难以保障SVM入侵检测能力持续优化的问题。 关键词：焦作大学毕业论文,支持向量机,入侵检测,聚类,非线性分类 WANG Ya-bin (Jiangsu Tcnet Technology Co.， LTD.， Suzhou 215000，China) 攻击、外部攻击和误操作的实时保护。它能很好的弥补防火墙的不足，可以对系统中未授权访问或异常现象、活动与 时间进行审计、追踪、识别和检验的安全过程。它可以识别出系统是否被入侵，从而做出及时的反应，切断网络连接 、记录时间和报警，提醒系统管理员采取相应的措施，避免系统受到进一步的侵害。 入侵检测问题实质上可被视为一个区分入侵行为与正常行为的分类问题。这一问题在机器学习、最优化等领域获得了 ，SVM在解决小样本、非线性及高维模式识别问题中具有的特有优势，使得其非常适合用以解决入侵检测分类问题 。然而在实际应用中，面对层出不穷的海量入侵行为，如何在有效保障SVM训练效率、以便及时响应入侵事件的同 时，实现其学习、推广能力的持续强化与提升，以满足快速应对新兴威胁的需要，其目前已成为SVM应用于入侵检 测实用场合所必须解决的两个关键问题。 针对上述问题，目前学术界已进行了大量研究，Mukkamala等人[1]利用SVM技术实现了入侵检测，并与神经网络方法 进行了比较，获得了良好结果;Syed等[2]对样本支持向量集进行了分析，首次提出一种SVM增量学习算法;段丹青等[3] 提出了一种基于粗糙集与SVM的入侵检测算法，有效地解决了训练样本降维问题;于静等[4]将 PCA主成分分析应用于 特征样本处理中，以提升SVM训练效率;张永俊等[5]则采用了一种简化二进制差别矩阵与云模型的方式，来对SVM训 练样本进行增量式属性约简。这些工作均在不同程度上改善了SVM应用于入侵检测场合中的学习、分类效率。 本文提出了一种聚类学习与增量SVM训练相结合的的入侵检测方法，采用聚类分析、样本修剪与增量学习相结合的 方式，通过聚合相似的训练样本以支持多类别分类，通过去除相似的样本而只取其代表点，从而减少参加训练的样本 数量，提高学习效率，同时采用基于广义KKT判决的增量学习方法，从而有效改善了多类别入侵检测场合下样本数据 集过于庞大，学习速度过慢且难以保障SVM入侵检测能力持续优化的问题。 1 支持向量机与聚类分析简介 1.1 支持向量机模型 中国月期刊咨询网 =1]时为正类，即正常;[yi=-1]时为负类，即异常。SVM方法就是通过寻求一个最优分类超平面[ω，x+b=0]，使得其对 于所有训练样本满足： [yi[ω，x+b]-1] 其中，[ω]为输入数据的权重矢量，b为分类超平面的偏置。上式可转化为一个二次凸优化问题，该问题表述如下： 其中，C为惩罚因子，[ξi]为松弛因子，利用拉格朗日乘数法对上述问题进行最优化求解，可将上式转换为对偶问题 ： 式中[αi]为拉格朗日算子。在针对上式优化问题的解中，存在部分[αi]不为0，其所对应的训练样本即为“支持向量 ”。同时，上式将[ω]的最优化求取问题，转换为了[α]的参数优化问题，并可通过[α]解得[ω]为： 在式对偶问题求解的基础上，可得到SVM线性判别函数为： 对于线性不可分的数据，可以使用非线性映射函数[?]将输入数据从原低维空间变换到高维特征空间，使得原空间中 线性不可分的样本数据变得高维线性可分，然后再求其最优决策平面。故有扩展后的广义SVM判决函数为： 式中的K被称之为与[?]所对应的核函数。 1.2 广义KKT条件 针对式()对偶问题的最优化问题求解