干扰检测中英文对照外文翻译文献.pdfVIP

中英文对照外文翻译文献

）

（文档含英文原文和中文翻译

中英文对照外文翻译

利用粗糙集分类的干扰检测

1

中英文对照外文翻译文献

简介

干扰检测是用于分类正常与异常的活动，在机器学习方面可以

发挥重要的作用。最近，基于机器学习的干扰检测方法（Allen等，2000）受到了广

泛的研究，因为他们可以检测出的误用和异常。学习的干扰检测方法包括两个关键步

骤：功能前牵引和检测模型生成。Wenke（1999）

利用改进的Apriori算法在干扰检测特征提取的研究，获得网络连接级别的功能。此方

法是非常有效的。后来，SRINIVAS和Sung（2002）提出

了利用支持向量机（SVM排列这些提取出的特征，但这种方法需要多次迭代，是非常

耗时的。在检测模型生成的研究，这是可取的，检测模型可以被解释的，并具有高的

检出率，但现有方法无法实现这两个目标。

例如，神经网络（James,1998年）可以达到较高的检测率，但生成的检测规则是不

（

能解释的；决策树Wenke1999年）可能会产生解释的规则，但检出率较低。

在本文中，我们目前使用干扰检测系统（IDS）功能的排名和干扰检测规则生成

的粗糙集分类（RSC（帕夫拉克，1982）。干扰检测RSC可以得到解释的检测规则

和高检出率的一些攻击和IDS是简单而快速的使用RSC功能的排名。

RSC是粗糙集理论（王陶，2003）的重要内容之一。粗糙集学习理论的主要贡

献是约简的概念。具有相同属性的对象分类能力的一整套属性约简是一个很小的子

集。在本文中，我们提出了一个快速混合遗传算法的粗糙集的约简计算。事实上，简

粗糙集计算的对应功能的IDS在RSC

排名。与经典的基于支持向量机的功能排名的方法（SRINIVASSUNG

2002年）相比，此功能的排序方法是简单和快速。

RSC约简为模板创建的干扰规则(决定)。简代后，随后的检测规则自动计算。

2

中英文对照外文翻译文献

生成的规则有直观的“IF-THEN的形式，提高探测器的设计是可以解释的，非常有

价值的。实验的目的是测试的规则检测性能。我们使用的实验数据源于麻省理工学院

的林肯实验室。它是为KDD(1999

年)由DARP虎争，被认为是干扰检测评估标准的基准。由于SVM进行

经典的干扰检测的算法(SRINIVASSUNG2002年)中，我们还可以使用支持向量机

的干扰检测对同一数据进行比较。试验结果表明，RSC算法

与SVM算法检测探头和DARPA数据集上的DoS攻击(99%以上)的兼容电平的检测

性能。不过，RSC规则的解释具有明显的优势。进一步比较的RSC基于IDS和基于

支持向量机的干扰检测系统中提供了详细论述。

本文的组织如下。在第二部分中，系统模型一般基于机器学习的干扰检测方法。

在第三部分中，初步解释粗糙集和粗糙集分类算法本文提出的混合遗传算法进行了详

细解释。在第四节实验设计比较