基于不均衡数据集和决策树的入侵检测分类算法的研究-计算机应用技术专业论文.docxVIP

基于不均衡数据集和决策树的入侵检测分类算法的研究摘 基于不均衡数据集和决策树的入侵检测分类算法的研究 摘 要 随着信息技术的快速发展，网络安全日益成为信息社会人们所面临的 一个挑战性难题，入侵检测系统的研究和实现随之成为计算机研究和应用 领域的重要课题。数据挖掘技术可以对海量数据进行自动高效的分析处 理，并能从中挖掘出潜在的规律、规则、模式等知识，已被引入到入侵检 测研究领域中。分类技术作为一种有效的数据挖掘方法，在基于数据挖掘 的入侵检测中得到广泛应用。由于入侵检测数据集存在类分布不均衡的问 题，传统分类方法应用到入侵检测中存在不足，需要引入新的策略来解决 类分布不均衡的数据集分类问题。 C4．5算法分类原理简单易懂，很容易被理解和接受，具有简单有效的 特点。特别在不均衡数据集分类问题上，经典的C4．5算法似乎已成为比较 的基准。 本文分析了入侵检测训练集的特点和当前不均衡数据集的分类方法， 提出了基于欠抽样处理器和C4．5算法的二级分类器CCBCE。 欠抽样处理器采用聚类算法GCA和K近邻算法对训练集中大类进行 欠抽样，旨在更加准确地去除大类中的边界、噪声和冗余样本，降低训练 集的不均衡程度，同时采用Adaboost算法，以C4．5作为基分类器，构造 集成分类器C4．5BCE进行二次分类，避免了大类在欠抽样时丢失有用分类 信息，从而提高了整体的分类性能。 将本文提出的二级分类器