基于选择性集成学习的网络入侵检测方法研究-软件工程专业论文.docxVIP

青岛 青岛科技大学研究生学位论文 基于 基于选择性集成学习的网络入侵检测方法研究 万方数据 万方数据 万方数据 万方数据 基于选择性集成学习的网络入侵检测方法研究 摘 要 随着网络安全风险系数的不断提高，曾经作为最主要的安全防范手段的防 火墙，已经不能满足人们对网络安全的需求。作为对防火墙的有益补充，入侵 检测系统能够快速发现网络攻击的发生。近年来，网络入侵检测技术得到了快 速的发展，但其理论基础仍然不够完善，在实际应用中还存在着对新攻击检测 率低、时间复杂度高、泛化能力差等问题。为了解决现有的入侵检测系统所存 在的问题，本文采用机器学习的思想对网络入侵检测技术进行研究，并设计出 基于选择性集成学习的网络入侵检测方法。 选择性集成学习可以在提高学习系统泛化能力的同时有效降低系统的计算 与存储开销。因此，本文采用选择性集成学习来检测网络入侵。首先，考虑基 学习器的训练问题，提出一种基于依赖决策熵的决策树分类算法 DTDDE；其 次，考虑基学习器的选择与集成问题，提出一种新的基于决策树的选择性集成 学习算法 SELDT，SELDT 算法利用 DTDDE 来训练基学习器，并通过 Q-统计 量来计算基学习器之间的差异度。第三，考虑选择性集成学习在网络入侵检测 中的应用问题，即利用 SELDT 算法来检测网络入侵，从而构建出一种新的入侵 检测方法。该方法可以在不增加入侵检测系统建模时间的前提下，有效提高系 统的检测性能。 本文的主要工作包括以下几个方面： （1）提出一种基于依赖决策熵的决策树分类算法 DTDDE。针对传统的基 于信息熵的决策树算法所存在的问题，提出一种依赖决策熵的概念，并使用依 赖决策熵来计算属性重要性，从而设计出一种基于依赖决策熵的决策树分类算 法 DTDDE。通过在多个 UCI 数据集上的实验表明，与现有的决策树算法相比， DTDDE 算法能够获得更好的分类性能。 （2）提出一种新的基于决策树的选择性集成学习算法 SELDT。通过对原始 数据进行有放回的抽样来获得多个训练集，分别在每个训练集上利用（1）中所 提出的决策树分类算法 DTDDE 来训练一个基学习器，并利用 Q-统计量来计算基 学习器之间的差异度。最后，选择 M 个差异度最大的基学习器来构建集成学习器。 通过在真实数据集上的实验验证了 SELDT 算法的有效性。 （3）将（2）中所提出的算法 SELDT 应用于网络入侵检测，从而得到一种 新的基于选择性集成学习的入侵检测方法。为了将网络入侵行为与正常行为有效 I 区别开来，该方法通过 DTDDE 算法来训练基学习器，并利用 SELDT 算法来构 建集成学习器。采用入侵检测领域广泛使用的 KDD Cup 99 数据集来验证该方法 的有效性。相对于传统的方法，本文所提出的方法具有更好的入侵检测性能。 关键词：泛化能力 选择性集成 粗糙集 依赖决策熵 决策树 入侵检测 II RESEARCH ON NETWORK INTRUSION DETECTION METHOD BASED ON SELESTIVE ENSEMBLE LEARNING ABSTRACT With the continuous improvement of network security risk factor, served as the main means of security precaution, the firewall can no longer meet the demand for network security. As a useful complement to firewall, intrusion detection system can help quickly identify network attacks network occur. In recent years, network intrusion detection technology has been rapid development, but its theoretical foundation is still not perfect, there exist many problems, for example, low detection rate to new attack, high time complexity, and poor generalization in practical applications, in order to solve the existing problems of intrusion detection system, we use the thought of machine learnin