智能技术在入侵检测中的应用

论文摘要

随着计算机技术和网络技术的迅猛发展,计算机系统已经从独立的主机发展到复杂的、互连的开放式系统。这种情况导致计算机及网络的入侵问题越来越突出,为保护系统资源,需要建立不同于防火墙和防毒软件的主动防御机制检测入侵。入侵检测系统是网络深层防卫系统的重要组成部分,它通过检测和分析网络流量和系统日志等有关审计数据,以判断系统中是否有违背安全策略或计算机系统安全行为。但入侵检测还存在着不足,检测异常入侵行为并提高检测速度,研究高效可用的异常检测算法并建立相应的检测系统是十分必要的科学关键问题。本文基于智能技术,提出并实现了一种基于支持向量机和网络自相似原理的异常入侵检测系统。本文的创新点是:(1)针对目前异常入侵检测系统存在错报、漏报、检测时间长和在缺少先验知识情况下推广能力差的问题,提出了在异常入侵检测系统中应用量子粒子群算法(QPSO)训练支持向量机,使得系统在小样本的条件下具有很好的推广能力,并用QPSO解决二次规划问题(QP),提高检测速度。本文还采用了并行检测模型,实现在线检测,在给定的错误警报率下减小了延迟时间。(2)在研究网络异常现象对网络流量自相似影响的基础上,本文针对传统检测方法不能有效检测异常攻击、区分繁忙业务、防止错报和漏报的问题,提出了应用概率密度来检测异常攻击的方法。并采用该方法分析了异常检测的准确检测、错误检测和漏报检测及其密度分布。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 论文的研究背景和意义
• 1.2.1 入侵检测系统的发展历史
• 1.2.2 入侵检测系统分类
• 1.2.3 异常入侵检测技术
• 1.2.4 误用入侵检测技术
• 1.2.5 入侵检测研究的条件和局限性
• 1.2.6 入侵检测技术的研究现状
• 1.3 智能技术在入侵检测中的应用
• 1.3.1 支持向量机在入侵检测中的应用
• 1.3.2 网络流量的自相似性
• 1.4 本课题的研究内容和意义
• 1.4.1 本文的研究内容
• 1.4.2 本文的研究意义
• 1.4.3 本文的组织结构
• 第二章 粒子群优化算法
• 2.1 引言
• 2.2 粒子群算法基本原理
• 2.3 PSO 和遗传算法的比较
• 2.4 PSO 算法的改进
• 2.4.1 加入惯性权重因子w 的PSO 算法
• 2.4.2 加入惯性权重因子k 的PSO 算法
• 2.4.3 一种自适应的PSO 算法
• 2.4.4 量子粒子群算法
• 2.5 几种算法比较
• 2.5.1 基准函数选择
• 2.5.2 参数选择
• 2.5.3 自适应PSO 算法的步骤
• 2.5.4 几种算法比较结果
• 2.6 本章小节
• 第三章 基于量子粒子群算法训练支持向量机的网络异常检测系统
• 3.1 引言
• 3.2 支持向量机概述
• 3.3 基于QPSO 算法训练支持向量机异常检测系统
• 3.3.1 SVM 分解算法
• 3.3.2 QPSO 解决QP 问题
• 3.3.3 步骤描述
• 3.3.4 异常检测系统描述
• 3.4 实验仿真和结果分析
• 3.4.1 实验数据来源
• 3.4.2 数据特征值的抽取
• 3.4.3 并行检测模型假设
• 3.4.4 实验仿真
• 3.4.5 实验结果分析
• 3.5 本章小节
• 第四章 基于自相似检测网络异常的概率密度方法
• 4.1 引言
• 4.2 网络流量的自相似性
• 4.2.1 自相似定义
• 4.2.2 重尾分布特性Pareto 分布
• 4.3 基于概率密度网络检测模型
• 4.3.1 数学模型
• 4.3.2 模型分析
• 4.4 实验仿真和结果分析
• 4.4.1 实验数据来源
• 4.4.2 实验条件
• 4.4.3 实验仿真
• 4.4.4 实验结果分析
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 结论
• 5.2 进一步的研究以及工作展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文