基于数据挖掘的入侵检测技术研究

论文摘要

随着网络攻击手段的多元化和复杂化,单纯依赖防火墙等静态防御已经难以胜任信息安全的需要。入侵检测作为一种主动的安全措施,可以有效地弥补传统安全防护技术的缺陷。但是面对日益增长的网络流量和层出不穷的攻击方式,传统的入侵检测模型也暴露出很多不足。本文引入当今的研究热点数据挖掘技术,从收集到的系统和网络行为记录中挖掘出潜在的入侵信息,自动识别入侵模式,大大减轻了人工工作量,提高了检测效率。虽然数据挖掘技术作为入侵检测系统实现手段比较有效,但目前常用数据挖掘算法仍然存在一些不足,尤其是目前聚类算法中应用最广泛的K-MEANS和DBSCAN算法虽然简明、实用但还不完善。针对当中的问题,本文提出了一种K-MEANS改进方法,并将K-MEANS改进方法与DBSCAN算法结合应用于入侵检测系统。接着使用该合成算法对一个通用检测记录集进行异常检测测试,实验表明该入侵检测算法的有效性。最后总结了今后的研究方向。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 问题背景
• 1.2 研究现状
• 1.3 本文的研究思路
• 1.4 本文的章节安排
• 2 入侵检测系统
• 2.1 入侵检测定义及系统的研究现状
• 2.2 通用检测模型
• 2.3 入侵检测系统的主要分类
• 2.3.1 根据信息源分类
• 2.3.2 根据分析方法分类
• 2.4 主要检测方法
• 2.4.1 专家系统
• 2.4.2 状态转换分析
• 2.4.3 统计分析
• 2.4.4 基于规则的检测
• 2.4.5 神经网络方法
• 2.4.6 基于agent的检测
• 2.5 本章小结
• 3 常用的数据挖掘算法
• 3.1 数据挖掘概述
• 3.2 常用的数据挖掘算法
• 3.2.1 聚类算法
• 3.2.2 序列分析算法
• 3.2.3 分类算法
• 3.2.4 关联分析算法
• 3.3 本章小结
• 4 基于DBSCAN和K-MEANS聚类算法
• 4.1 DBSCAN算法
• 4.2 K-MEANS算法及改进
• 4.2.1 算法的描述
• 4.2.2 算法的改进
• 4.2.3 初始化算法性能分析
• 4.2.4 改进后K-MEANS算法的流程图
• 4.2.5 从K-MEANS得到Eps和Minpts的伪代码
• 4.2.6 改进算法综述
• 4.3 本章小节
• 5 基于合成聚类算法的入侵检测系统模型
• 5.1 数据挖掘的入侵检测系统模型（DMIDS）
• 5.2 入侵规则库设计与入侵规则解析
• 5.2.1 入侵检测规则语言概述
• 5.2.2 系统规则库设计
• 5.2.3 入侵规则解析
• 5.2.4 入侵事件检测过程
• 5.3 聚类算法的实现
• 5.3.1 聚类算法的c++实现片段
• 5.4 DMIDS通用模型中网络数据采集模块实现原理
• 5.4.1 数据包截获过滤机制及原理
• 5.5 聚类算法在数据集上的施用
• 5.5.1 实验测试
• 5.5.2 测试软件运行
• 5.6 本章小结
• 6 工作总结
• 6.1 主要做的工作
• 6.2 研究体会
• 6.3 进一步工作展望
• 致谢
• 参考文献
• 附录