基于决策树与朴素贝叶斯分类入侵检测模型.docVIP

基于决策树与朴素贝叶斯分类入侵检测模型 　　摘要：入侵检测要求系统能够快速准确地找出网络中的入侵行为，因此对检测算法的效率有较高的要求。针对入侵检测系统效率和准确率偏低，系统的误报率和漏报率偏高的问题，在充分分析C4.5算法和朴素贝叶斯（NB）算法后，提出一种二者相结合的HC4.5NB入侵检测模型。该模型以概率的形式来描述决策类别的分布，并由C4.5和NB概率加权和的形式给出最终的决策结果，最后使用KDD 99数据集测试模型性能。实验结果表明，与传统的C4.5、NB和NBTree方法相比，在HC4.5NB中对拒绝服务（DoS）攻击的分类准确率提高了约9%，对U2R和R2L攻击的准确率提高约20%～30%，该方法将不同的机器学习算法结合起来，为入侵检测的研究提供了一定的参考。 　　关键词：入侵检测；决策树；朴素贝叶斯；概率加权和 　　中图分类号： TP393.08 　　文献标志码：A 　　Abstract： Intrusion detection requires the system to identify network intrusions quickly and accurately， so it also requires high efficiency of the detection algorithm. In order to improve the efficiency and accuracy of intrusion detection system， and reduce the rate of false positives and false negatives， a HC4.5NB intrusion detection model combined C4.5 with Naive Bayes （NB） was proposed after fully analyzing the C4.5 and NB algorithm. The distribution of decision category was described in the form of probability in this model， and the final decision results were given in the form of C4.5 and NB probability weighted sum. Finally the performance of the model was tested by KDD 99 data set. The experimental results showed that the accuracy of Denial of Service （DoS） was improved about 9% and the accuracy of U2R and R2L was improved about 20%-30% in HC4.5NB compared to the traditional methods such as C4.5， NB and NBTree. This method combines different machine learning algorithms， and it can provide some references for the research of intrusion detection. 　　Key words： intrusion detection； Decision Tree （DT）； Naive Bayes （NB）； probability weighted sum 　　0引言 　　随着互联网时代的到来，当今社会的网络环境越来越复杂化，网络中的安全问题也层出不穷。因此提高网络的安全防御能力，增加安全检测的机制，保证网络的正常运行，是当前急需解决的问题之一。入侵检测系统（Intrusion Detection System， IDS）[1]是继防火墙之后的又一道网络安全屏障，对网络中出现的入侵行为进行主动防御，也是当前研究的最多、应用最广的安全手段之一。 　　IDS核心的部分就是检测算法，良好的算法可以全方面地提高网络事件检测的准确率。近些年来的研究表明，将机器学习[2-4]的方法应用到入侵检测领域，可以极大地提高IDS的效率和准确率。然而，在入侵检测中很难再去设计出一个单一的分类器，使其性能比现存的更好，相反混合分类方法近些年来却从边缘化走向了主流[5]。在现有的入侵检测技术中，决策树（Decision Tree， DT）[6-7]和朴素贝叶斯（NaiveBayes，NB）[8-9]分类算法的模型最为