分阶段K邻居方法在无线局域网的入侵检测系统中的应用研究的中期报告.docxVIP

分阶段K邻居方法在无线局域网的入侵检测系统中的应用研究的中期报告

报告编号：MID-WLANIDS-2021-001

报告日期：2021年6月30日

一、研究背景

无线局域网（WirelessLocalAreaNetwork，简称WLAN）在现代社会中扮演着越来越重要的角色，已经成为了人们生活和工作中必不可少的一部分。然而，随着WLAN的普及，网络安全问题也日益凸显。WLAN被攻击的方式多种多样，例如黑客通过WLAN实施ARP欺骗、DNS劫持和溢出攻击等，威胁到了用户的信息安全和网络稳定性。

为了提高WLAN的安全性，入侵检测系统（IntrusionDetectionSystem，简称IDS）成为了必不可少的一部分。IDS通过对网络流量进行监控和分析，能够及时发现并防御网络攻击，保证网络的安全性。目前，很多入侵检测系统都采用了机器学习的算法，如支持向量机（SupportVectorMachine，简称SVM）、朴素贝叶斯（NaiveBayes）和决策树（DecisionTree）等。这些算法具有一定的准确性和鲁棒性，但是也存在一些问题，如样本不平衡、算法复杂度高等。

在这种情况下，分阶段K邻居方法（Stagedk-NearestNeighbor，简称SKNN）成为了一种较为优秀的分类算法。该算法将样本分成多个阶段进行分类，每个阶段的K值不同，可以更好地适应各种