資源描述：
《探析基于svm的網(wǎng)絡(luò)入侵檢測研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、大連海事大學(xué)碩士學(xué)位論文基于SVM的網(wǎng)絡(luò)入侵檢測研究姓名：劉勝利申請學(xué)位級別：碩士專業(yè)：交通信息工程及控制指導(dǎo)教師：賈傳熒20040301摘要隨著計算機網(wǎng)絡(luò)技術(shù)的發(fā)展，計算機網(wǎng)絡(luò)在交通運輸領(lǐng)域也得到了廣一泛的應(yīng)用。計算機網(wǎng)絡(luò)的普及和應(yīng)用，對網(wǎng)絡(luò)安全提出了更高的要求。入侵檢測作為網(wǎng)絡(luò)安全研究的重要內(nèi)容，更是引起了國內(nèi)外的廣泛關(guān)注。傳統(tǒng)的入侵檢測方法存在誤報、漏報及實時性差等缺點，特別是需要大量或者完備的訓(xùn)練數(shù)據(jù)才能達到比較理想的檢測性能，并且訓(xùn)練時問較長。所以研究在小樣本的情況下，能正確提取i)1l練數(shù)據(jù)特征，且生成的模型具有良好的泛化性能的入侵檢測方法，具有重要的理論和現(xiàn)實意義。本文通過對
2、當前入侵檢測系統(tǒng)中檢測方法所存在的一一些問題的分析，結(jié)合支持向量機分類算法的特點，將支持向量機作為檢測方法應(yīng)用到網(wǎng)絡(luò)入侵檢測領(lǐng)域。通過對傳統(tǒng)支持向量機算法分類性能的分析，為了解決傳統(tǒng)支持向量機生成支持向量存在熏復(fù)問題，本文提出了一種自動加權(quán)支持向量機，對C—SVM改進的AW—SVM(Auto-WeightedSVM)算法。考慮到C—SVM的特點以及在入侵檢測時檢測攻擊比檢測正常數(shù)據(jù)更重要的事實，提出了WC．SVM(WeightedC．SVM)算法，在訓(xùn)練時對重要的類和樣本加權(quán)，從而降低了對重要樣本錯分的可能。根據(jù)網(wǎng)絡(luò)數(shù)據(jù)是奇異數(shù)據(jù)的特點，本文還對分類算法中的核函數(shù)進行了修改，使之能更適合網(wǎng)
3、絡(luò)數(shù)據(jù)的檢測。根據(jù)改進后的支持向量機算法和核函數(shù)，本文設(shè)計實現(xiàn)了一個基于支持向量機的入侵檢測分類器，并對其效果進行了測試。測試結(jié)果表明，改進算法的訓(xùn)練速度和分類速度都非?？?，對每條記錄的處理都在毫秒級，且精度較高，普遍高于一般的分類算法。結(jié)果也表明，支持向量機算法的學(xué)習能力很強，對于新的入侵方式也有很好的效果，可以檢測未知的攻擊，具有較好自學(xué)刊的能力。關(guān)鍵詞：入侵檢測入侵檢測系統(tǒng)網(wǎng)絡(luò)安全支持向量機統(tǒng)計學(xué)習理論111AbstractWiththedevelopmentofcomputernetworktechnology,inthetransportationfield，computerne
4、tworkhasbeenextensivelyused．Withthepopularizationandapplicationofcomputernetwork，moreandmoreattentionsarebeingfocusedonthenetworkingsecurity,asoneofthemostimportantcontentofnetworkingsecurity,IDSattractedattentionsfromallovertheworld．Therearemanydefectsintraditionalintrusiondetectionmethodssuchasf
5、alsenegatives，falsepositivesetc．，whichneedamountsoftrainingdataandlongtimetogetgooddetectionperformance．Soitismeaningfultofindamethodwhichcandetectattacksbysmallamounttrainingdatainshorttime．Throughtheanalysisofcurrentintrusiondetectionmethodsandcharacteristicofsupportvectormachine(SVM)，thispapert
6、riestOapplySVMasclassifyingmeanstOnetworkintrusiondetectionfield．ByanalyzingtraditionalC—SVM，wefoundthatitisover-dependentoneverytrainingsample，evenifthesamplesaremulti-duplicate．Thisdependencewouldresultinmoretimefortrainingandmoresupportvectors．Moresupportvectorsresultinmoretimeforclassifyingnew
7、samplesInordertOovercomethisdependence，weproposeAW-SVM(Auto-WeightedSupportVectorMachine)．ConsideringC—SVMdoesnottakeintoaccountthedifferentimportanceoftrainingsamples，weproposeaWC—SVMalgorithm，itintroducesweight
