基于变精度粗糙集入侵检测技术研究.docVIP

基于变精度粗糙集入侵检测技术研究 　　摘要：随着网络攻击技术层出不穷，网络攻击方式呈现出多样性和隐蔽性的特征，?W络入侵检测的漏报和误报频发。为了提高入侵检测的检测率、降低漏报率和误报率，利用变精度粗糙集挖掘数据之间潜在规律的特性，对测试数据集进行特征提取和属性约简，除去冗余信息降低属性维度，然后通过遗传算法进行分类和检测。实验测试表明该方法不仅可以提高检测率，并能较实时地检测其他类型的攻击。 　　关键词：入侵检测；变精度粗糙集；属性约简 　　中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2018）12-0171-05 　　Abstract： As the network attack technology after another， showing a diversity of network attacks and covert features， network intrusion detection of false negatives and false alarm frequently. In order to improve the detection rate of intrusion detection， reducing the false negative rate and false alarm rate， the use of variable precision rough set of potential characteristics between data mining law， the test data set for feature extraction and attribute reduction， removing redundant information to reduce the dimension attributes and then classify and detect genetic algorithm， test results obtained. Experimental results show that this method can improve the accuracy of a denial of service attack detection type， and can be detected more complete other types of attacks. 　　Key words： intrusion detection； variable rough set； attribute reduction 　　入侵检测系统能够识别网络中发生的入侵行为并进行实时报警，具有实时性、动态检测等特点，可以弥补防火墙的不足。随着网络攻击技术和手段的广泛散布与不断更新，现有的入侵检测技术和系统已不能满足网络安全的需求，漏报和误报率越来越高，检测准确率越来越低。近年来涌现了很多入侵检测技术，FORREST[1]提出了将人工免疫理论应用于入侵检测领域，将计算机系统的保护问题与免疫系统中学习区分自体-非自体相比较，提出了阴性选择算法。Lee等人采用Ripper软件包[2]挖掘出正常和异常的模式，以规则的形式描述系统的运行状态。Asaka等提出了一种基于Discriminant method的入侵检测方法，通过预先标定的正常和异常系统的调用序列样本进行不断地学习，最终确定一个最优分类平面，以这个最优分类面为依据，来判断进程的系统调用是正常调用的还是异常入侵[3]。以上的研究表明，大部分的入侵检测技术需要大量的先验知识和攻击特征来构建攻击行为模型，Ripper要求有大量的训练数据，产生的规则才能有较高的检测率。 　　本文将变精度粗糙集理论应用于入侵检测，通过建立正常行为模型来区分正常行为和异常行为。在保持分类能力不变的前提下，对原始数据进行离散化等预处理，删除冗余信息，挖掘剩余属性间的关系，生产IF-THEN规则。该方法不需要大量数据和先验知识即可构建模型，作为初始种群。实验证明本文的方法在检测率和检测时间上优于其他检测方法。 　　1 相关理论基础 　　粗糙集（Rough Set）理论是由Z.Pawlak提出[4]的一种处理不精确、不确定、不完备的数据信息的数学工具，可以对大量数据进行知识约简和属性分类，尤其是在缺乏先验知识时，对模糊或不确定的数据进行相应的分析和处理，快速地获取区分和识别知识的规则。变精度粗糙集是粗糙集的扩展模型，它被成功地应用到了模式识别、机器学习、知识获取、数据挖掘等许多领域[5，6，7]。有很多的研究成果，文献[17]深入研究了变精度粗糙集的属性约简问题，给出了3种属性约简的概念，提出通过