类和样本加权支持向量机及其在入侵检测中的应用研究-计算机应用专业论文.docxVIP

原创性声明本人声明：所呈交的学位论文是本人在导师的指导下进行的研究工作及取得的研究成果。除本文 原创性声明 本人声明：所呈交的学位论文是本人在导师的指导下进行的研究工作及取得的研究成果。除本文 已经注明引用的内容外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得凼墓直太 堂及其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在 论文中作了明确的说明并表示谢意。 学位论文作者签名：擞指导教师签名：纽 日 在学期间研究成果使用承诺书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：内蒙古大学有权将学位论文的 全部内容或部分保留并向国家有关机构、部门送交学位论文的复印件和磁盘，允许编入有关数据库进行 检索，也可以采用影印、缩印或其他复制手段保存、汇编学位论文。为保护学院和导师的知识产权，作 者在学期间取得的研究成果属于内蒙古大学。作者今后使用涉及在学期间主要研究内容或研究成果，须 征得内蒙古大学就读期间导师的同意；若用于发表论文，版权单位必须署名为内蒙古大学方可投稿或公 开发表。 学位论文作者签名： 指导教师签名： 日 类和样本加权支持向量机及其在入侵检测中的应用研究 类和样本加权支持向量机及其在入侵检测中的应用研究 摘要 随着网络入侵数据集KDD Cupl999 Data的出现，许多用来进行入侵检测的 机器学习方法实验成功。支持向量机(SVM)是一种基于结构风险最小化原理(SRM) 的分类和预测算法，它根据有限的样本信息在分类器模型的复杂性和学习能力 之间寻求最佳折衷，以期获得最好的推广能力，它是一种对于小样本具有良好 学习性能的机器学习方法。 考虑到支持向量机的这种特性，本文把支持向量机分类算法应用于网络入 侵检测中。应用支持向量机分类时，当训练集不均衡时将产生分类偏差，即分 类准确率将偏向于样本集大的一类。杜树新提出了一种改进的方法即加权SVM， 加权SVM对每个错误分类样本的惩罚系数是不一样的，这对小样本来说提高了 分类精度，克服了常规SVM算法不能灵活处理样本的缺陷，可以改善其它方法 在先验知识较少情况下的推广能力较低的问题。但是加权支持向量机方法只是 考虑了对类进行加权，而没有考虑不同样本之间的区别。在实际问题中，同一 类中不同样本之间其重要性也是不同的，忽视不同样本之间的重要性，将会导 致重要的样本被误分类，继而导致判别函数将新的数据错误分类。本文在对标 准C-SVM进行性能分析的基础上，提出了类和样本加权支持向量机CSWC—SVM (Class and Sample Weighted C-Support Vector Machine)，并进一步基于 CSWC—SVM算法构造了入侵检测模型。 本文用C语言编写数据预处理实验程序，用MATLAB语言编写类和样本加权 支持向量机程序，并使用KDD Cup 1999 Data网络数据包集对算法进行训练和 类和样本加权支持向量机及其在入侵检测中的应用研测试，将加权支持向量机用于网络入侵检测中。实验结果看 类和样本加权支持向量机及其在入侵检测中的应用研 测试，将加权支持向量机用于网络入侵检测中。实验结果看 样本数相对较少的情况下，仍然具有较高的检测率和正确率 定的误报率和漏报率，证明了此方法是可行性、高效性。 关键字：支持向量机，入侵检测，决策模型，不均衡训练集， Ⅱ Since Since the creation of the 1 999 KDD Cup network intrusion data set，several machine learning approaches to intrusion detection task have been found to be successful．Support Vector Machine(SVM)is developed with the research of Statistical Learning Theory(SLT)and it is a classification and prediction algorithm based on Structural Risk Minimum(SRM)Theory．SVM Theory lies on SLT’S VC theory and SRM theory,and compromises limited sample information and the complexity of model SO as to get the maximum generality,it is a machine study method with good performance when the sample si