資源描述：
《基于半監(jiān)督聚類的入侵檢測算法研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、河南大學(xué)碩士學(xué)位論文基于半監(jiān)督聚類的入侵檢測算法研究姓名：李雯睿申請學(xué)位級別：碩士專業(yè)：應(yīng)用數(shù)學(xué)指導(dǎo)教師：申石磊20070501河南大學(xué)研究生碩士學(xué)位論文第l頁摘要．網(wǎng)絡(luò)信息系統(tǒng)需要采取主動的防御措施。入侵檢測技術(shù)是近20年來出現(xiàn)的一種主動保護(hù)系統(tǒng)、免受黑客攻擊的新型網(wǎng)絡(luò)安全技術(shù)。傳統(tǒng)的入侵檢測算法是基于監(jiān)督學(xué)習(xí)的，檢測率較高，誤報(bào)率較低，但無法檢測到未知攻擊，且要求將數(shù)據(jù)正確地標(biāo)記為正?；虍惓＃W(wǎng)絡(luò)環(huán)境中存在大量的未標(biāo)記數(shù)據(jù)，要正確地標(biāo)記這些數(shù)據(jù)，幾乎是不可行的。如果將非監(jiān)督學(xué)習(xí)方法應(yīng)用到入侵檢測中，基于聚類的入侵檢測算法能夠檢測未知攻擊，檢測率較高，但誤報(bào)率也較高。由此本文提出基
2、于半監(jiān)督學(xué)習(xí)的入侵檢測算法。一半監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中一個新的研究熱點(diǎn)，通過標(biāo)記數(shù)據(jù)和未標(biāo)記數(shù)據(jù)的聯(lián)合概率分布，來改進(jìn)分類器的性能。根據(jù)網(wǎng)絡(luò)數(shù)據(jù)的特點(diǎn)，本文提出了基于半監(jiān)督聚類的入侵檢測算法，利用少量的標(biāo)記數(shù)據(jù)，生成用于初始化算法的種子聚類，然后輔助聚類過程，檢測已知和未知攻擊。在網(wǎng)絡(luò)環(huán)境中，標(biāo)記數(shù)據(jù)是有限的，為了充分利用監(jiān)督信息，用戶需要主動查詢標(biāo)記數(shù)據(jù)的約束，而不是隨機(jī)選擇約束，這樣即使少量的約束也能大大改進(jìn)算法的性能。本文系統(tǒng)地研究入侵檢測系統(tǒng)的基本理論，介紹了入侵檢測的定義，分析了入侵檢測的模型、研究現(xiàn)狀和當(dāng)前存在的問題。針對基于聚類的入侵檢測算法誤報(bào)率高的問題，提出了基于
3、半監(jiān)督聚類的入侵檢測算法ACKID。論文將主動學(xué)習(xí)策略應(yīng)用于半監(jiān)督聚類過程中，主動學(xué)習(xí)策略查詢網(wǎng)絡(luò)中未標(biāo)記數(shù)據(jù)與標(biāo)記數(shù)據(jù)的約束關(guān)系，采用FarthestFirst對未標(biāo)記數(shù)據(jù)進(jìn)行標(biāo)記。KDDCup99數(shù)據(jù)集是用于評估入侵檢測算法的標(biāo)準(zhǔn)數(shù)據(jù)集，結(jié)合KDDCup99數(shù)據(jù)集，分析了ACKID入侵檢測算法的評估過程，確定ROC曲線為ACKID算法的評估指標(biāo)，分析網(wǎng)絡(luò)數(shù)據(jù)的屬性特征并對數(shù)據(jù)預(yù)處理，最后評估ACKID算法的性能。實(shí)驗(yàn)結(jié)果表明，ACKID算法能夠檢測出未知攻擊，證實(shí)利用標(biāo)記數(shù)據(jù)和約束可以提高算法的檢測率，降低誤報(bào)率，并且表明采用主動學(xué)習(xí)策略能夠獲取最有用的監(jiān)督信息以檢測未知攻擊。關(guān)
4、鍵詞：入侵檢測；半監(jiān)督聚類；主動學(xué)習(xí)；ROC曲線第1I頁河南大學(xué)研究生碩士學(xué)位論文AbstractInformationsystemneedsactiveprotectionmeasures．Duringthesetwodecades．intrusiondetectionwhichprotectssystemactivelyfromhacker’Sattacksisanewtechnique．ThetraditionalalgorithmsforintrusiondetectionbasedonsupervisedlearningCall’tdetectuDknownattacksa
5、ndrequestthatdataarecorrectlyIabeledasnormaloranomaly,whichdetectionratesarehigherandfalsepositiveratesarelower．Therearelotsofdatainnetworkenvironment．especiallyforlabelingnewunknownattackscorrectlyishardlypossible．Ifthemethodsofunsupervisedlearningaleappliedtointrusiondeteetinn．theintrusiondet
6、ectionalgorithmsbasedonclusteringcandetectnnknownattacks。whichdetectionratesarehigherwhereasfalsenegativesratesarealsohigher．Consequently,thepaperproposesthealgorithmforintrusiondetectionbasedonsemi-supervisedclustering．Semi—supervisedlearningisoneofnewresearchofmanyhottopics，whichattainsjointp
7、robabilitydistributionoflabeleddataandunlabeleddatatoimproveclassifier'sperformance．nepaperproposesthealgorithmforintrusiondetectionbasedonsemi．supervisedclusteringwhichusesafewlimitedlabeleddatatogenerateseedclustersinitiatingthe
