基于半监督优化分类的入侵检测方法研究计算机应用技术专业论文.docxVIP

承诺书 本人声明所呈交的硕士学位论文是本人在导师指导下进 行的研究工作及取得的研究成果。除了文中特别加以标注和致 谢的地方外，论文中不包含其他人已经发表或撰写过的研究成 果，也不包含为获得南京航空航天大学或其他教育机构的学位 或证书而使用过的材料。 本人授权南京航空航天大学可以将学位论文的全部或部 分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 （保密的学位论文在解密后适用本承诺书） 作者签名： 日 期： 南京航空航天大学硕士学位论文 南京航空航天大学硕士学位论文 基于半监督优化分类的入侵检测方法研究 基于半监督优化分类的入侵检测方法研究 摘 要 随着网络技术的日益发展，网络安全问题日益突出。基于主动防御的入侵检测系统是传统 安全防御方法的一种补充机制，对计算机和网络的安全防护起着重要作用。半监督支持向量机 是机器学习的研究热点之一，其应用前景已经受到国内外专家学者的广泛关注。 本文对目前基于半监督支持向量机的入侵检测方法的优缺点进行了分析研究，并结合入侵 检测系统自身的特点，对此方法进行了改进。论文首先详细阐述了入侵检测的相关理论知识， 总结了入侵检测系统的问题和研究方向。然后系统介绍了半监督学习以及支持向量机的技术背 景和理论基础。在训练集含有大量无标记样本和少量已标记样本情况下，传统半监督支持向量 机通常会学习出多个分类决策面，然而基于数量有限的已标记样本，很难决定哪个分类决策面 是最优的；另外算法在支持向量机训练部分，只有占训练集很小比例的支持向量对模型学习有 贡献作用。针对以上问题，本文提出一种基于半监督优化分类的入侵检测方法 MLL_S3VM (Multiple Large-margin Low-density S3VM)。该方法采用预选的训练集，学习筛选出差异性较大 的分类决策面，最后依据距离向量法对未标记样本进行标记。实验采用检测率和误报率作为算 法评估的标准，结果验证了改进后的算法相比改进前的算法在检测率上有所提高以及在误报率 上有所降低，该研究工作具有一定的理论意义和实用价值。 关键词：入侵检测，半监督支持向量机，支持向量机，分类决策面 i PAGE PAGE iv iii iii ABSTRACT Along with the rapid development of networks, the security problem of system or network becomes more and more important. As a positive technique of security prevention, Intrusion Detection Systems are complementarities to security mechanism of computer networks and have an important role in protecting the security of computer and network. Semi-supervised Support Vector Machines is a hot theory in the fields of machine learning, and its application attracts more and more attention of academic researchers at home and abroad. This paper has analyzed the advantages and disadvantages of the present intrusion detection method based on Semi-supervised Support Vector Machines combined with the characteristics of Intrusion Detection System, and then proposes an optimization intrusion detection method based on Semi-supervised Support Vector Machines. At first, this paper detailed introduces the knowledge of intrusion detection，summarize the problem and future research direction of Intrusion Detection System. And then it introduces the techn