基于改进KNN算法的网络入侵检测技术研究

论文摘要

基于机器学习的异常入侵检测方法,在网络入侵检测界,正在得到越来越多的重视,这是因为它固有的发现新型入侵的能力。随着新型入侵的不断增加,这种能力已经变得很重要。然而,现在的很多基于异常检测的入侵检测系统缺乏发现新型入侵的能力,所以产生较高的错误检测率。这些不可靠的结果降低了入侵检测系统的可靠性。而且,即使检测方法很好,在系统本身受到攻击的情况下,入侵检测系统可能仍然不能提供正常的服务。参照本领域的相关工作,研究了基于改进KNN算法（奇异度隔离度结合算法）的网络入侵检测系统,分别说明算法的原理和系统的结构设计。这个入侵检测算法用两个模型分析网络连接不同的特点：奇异度和隔离度：在这两个模型的基础上,一个关联单元产生含有检测信息的入侵警报。系统分为两层：训练层和检测层：对应算法为训练层奇异度隔离度结合算法和检测层奇异度隔离度结合算法。用C++编程语言实现了两个算法,并详细介绍了算法的实现过程。为了实现对数据集的预处理,本文分别实现了标准化、归一化程序和分类程序,详细介绍了实现过程。通过目前流行的KDD CUP99入侵检测数据集对检测方法进行了评估。实验结果表明基于改进KNN算法的网络入侵检测系统的表现是优异的。最后,对基于改进KNN算法的网络入侵检测系统结构下的入侵容忍机制进行简单的讨论研究。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文的主要工作
• 1.4 本文的组织结构
• 第2章 相关技术
• 2.1 入侵检测技术简介
• 2.1.1 入侵检测概述
• 2.1.2 入侵检测系统分类
• 2.1.3 入侵检测方法
• 2.1.4 通用的入侵检测模型
• 2.2 入侵容忍系统
• 2.3 KNN算法简介
• 2.4 本章小结
• 第3章 基于改进KNN算法的NIDS的设计
• 3.1 TCM-KNN算法简介
• 3.2 改进KNN算法原理
• 3.3 基于改进KNN算法的NIDS概要设计
• 3.3.1 离线训练
• 3.3.2 在线检测
• 3.3.3 基于奇异度隔离度结合算法的NIDS部件
• 3.4 基于改进KNN算法的NIDS详细设计
• 3.4.1 训练层奇异度隔离度结合算法
• 3.4.2 检测层奇异度隔离度结合算法
• 3.4.3 奇异度隔离度结合算法的计算复杂性
• 3.4.4 奇异度隔离度结合算法的参数优化
• 3.5 本章小结
• 第4章 基于改进KNN算法的NIDS的实现
• 4.1 KDD CUP99数据集简介
• 4.1.1 入侵检测数据集结构
• 4.1.2 KDD CUP99数据集攻击类型以及分布特点
• 4.1.3 数据集中网络连接记录属性介绍
• 4.1.4 KDD CUP99数据集的预处理
• 4.2 实现
• 4.2.1 数据集的标准化、归一化
• 4.2.2 分类程序的实现
• 4.2.3 训练层算法的实现及参数优化
• 4.2.4 检测层算法的实现
• 4.3 实验结果分析
• 4.4 本章小结
• 第5章 入侵容忍机制探讨
• 5.1 入侵容忍机制概要探讨
• 5.2 入侵容忍机制的详细探讨
• 5.2.1 管理器和控制台
• 5.2.2 警报代理
• 5.2.3 维护代理
• 5.3 本章小结
• 第6章 总结与展望
• 6.1 本文工作总结
• 6.2 不足和展望
• 参考文献
• 致谢