📄 ml.htm
字号:
<!ArtChnTitle>
<!ArtChnAuthor>
<!ArtAuthorAddress>
<!ArtChnAbstract>
<!ArtChnKeyword>
<!ArtEngTitle>
<!ArtEngAuthor>
<!ArtEngAbstract>
<!ArtEngKeyword>
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
<meta name="GENERATOR" content="Microsoft FrontPage 5.0">
<title>学位论文－基于LS-SVM的入侵检测模型与实时测试平台研究</title>
<style>A:link {COLOR: #000000; FONT-FAMILY: 宋体; TEXT-DECORATION: none}
A:visited {COLOR: #000000; FONT-FAMILY: 宋体; TEXT-DECORATION: none}
A:active {FONT-FAMILY:宋体; TEXT-DECORATION: none}
A:hover {COLOR: #000000;TEXT-DECORATION:none}
BODY {FONT-FAMILY:宋体; FONT-SIZE: 9pt;TEXT-DECORATION:none}
TABLE {FONT-FAMILY: 宋体; FONT-SIZE: 9pt}
.H1 {FONT-SIZE: 9pt; COLOR: #0000cc}
.ourfont {FONT-SIZE: 9pt; LINE-HEIGHT: 14pt}
select {font-size:12px;}
.wx {BACKGROUND: #001863; BORDER-BOTTOM: white 1px solid; BORDER-LEFT: white 1px solid; BORDER-RIGHT: white 1px solid; BORDER-TOP: white 1px solid; COLOR: #ffffff; FONT-SIZE: 9pt; FONT-STYLE: normal; FONT-VARIANT: normal; FONT-WEIGHT: normal; HEIGHT: 18px; LINE-HEIGHT: normal}
.wx1 {border-top: #c0c0c0 1px;border-left: #c0c0c0 1px;border-right:#c0c0c0 1px;border-bottom:#c0c0c0 1px;border-style:inset;background-color:#ffffff;vertical-align:text-bottom}
</style>
</head>
<body bgcolor="#FFFFFF" link="#000000" background="../image/bg.gif">
<img src="../../images/xwlwk.jpg" width="750" height="94">
<table width="83%" border="0" cellspacing="0" cellpadding="0">
<tr>
<td width="19%"><p> </p>
<p></p></td>
<td width="81%"><p>馆藏号：Y885760<br>
<br>
论 文 题 目：<strong style="font-weight: 400">基于LS-SVM的入侵检测模型与实时测试平台研究</strong><br>
学位授予单位：国防科学技术大学<br>
作 者：刘永健<br>
申请学位级别：硕士<br>
学 科 名 称：计算机科学与技术<br>
指 导 教 师：王正华<br>
出 版 时 间：20051101<br>
摘 要：<br>
作为网络安全领域中的重要技术之一，入侵检测越来越受到广大研究者和政府职能部门的关注。随着入侵检测技术的不断发展，检测引擎的精度和效率成为关注的主要问题，其中误报率和漏报率的矛盾尤其突出。数据挖掘是近年来新兴的机器学习研究领域，在算法和应用方面发展迅速。目前，数据挖掘算法在入侵检测中的应用已成为入侵检测技术研究的一个新方向，得到了学术界和工业界的广泛研究。<br> 最小二乘支持向量机(LS-SVM)是数据挖掘和机器学习领域中的重要方法之一，是著名的支持向量机(SVM)学习算法的重要扩展，在面向大规模数据的训练学习速度方面具有较明显的优势。本文围绕基于LS-SVM的数据挖掘技术及其在入侵检测技术中的应用展开研究。在深入分析数据挖掘和支持向量机(SVM)理论背景的基础上，我们提出了一种基于LS-SVM的入侵检测模型，并利用DARPA入侵检测数据集进行了实验分析和验证；同时对基于LS-SVM的实时入侵检测系统及测试平台技术进行了研究，实现了一个基于LS-SVM的实时入侵检测系统原型。本文取得的主要研究成果包括：<br> 1.提出了基于LS-SVM的入侵检测模型。针对现有入侵检测技术普遍存在误报率和漏报率高的特点，我们提出基于LS-SVM学习算法的入侵检测建模方法，以提高入侵检测系统的性能。针对KDD-Cup99入侵检测数据集合的性能测试结果证明：基于LS-SVM的入侵检测技术在训练时间和误报率方面和传统的SVM比较具有一定的优势，在训练样本的大小和漏报率方面都低于常见的机器学习方法。<br> 2.实现了一个基于数据挖掘的自适应入侵检测系统原型。在文中，我们提出了原型实现的总体框架、组成结构和数据结构，设计了一种动态的模型训练加载方案，使得该系统具有根据历史审计数据进行模型优化和自适应的能力；实现了实时报文捕获、重组、特征提取和LS-SVM模型匹配等功能模块；通过实时的网络数据检测实验研究表明，该原型系统具有良好的实时性。目前，国内类似相关研究还较少有文献报道，本文工作为进一步推广应用自适应IDS技术奠定了基础。<br> 3.设计并实现了一个面向实时入侵检测系统的性能测试平台。性能测试平台研究是入侵检测研究中的一个重要环节，目前，在IDS领域存在一个严重问题就是缺乏标准化的、兼容性良好的性能测试平台，不能很好地支持各种入侵检测系统的性能评测和优化。本文分析了各类入侵检测系统的技术特点，在DARPA入侵检测数据集的基础上，设计和实现了一个功能较为全面、兼容性良好的入侵检测实时测试平台。<br> <br>
分 类 号：TP393.08<br>
关 键 词：入侵检测;数据挖掘;机器学习;支持向量机;LS-SVM;测试平台;网络安全
<p align="center">
<table width="80" border="0" cellspacing="0" cellpadding="0">
<tr>
<td bgcolor="#cccccc">
<table width="100%" border="0" cellspacing="1" cellpadding="0">
<tr style="CURSOR: hand">
<td bgcolor="#CCCCCC" onMouseOver="this.bgColor='#999999';" onMouseOut="this.bgColor='#cccccc';" valign="bottom" height="18" NAME="NAME_BALL" STYLE="cursor:hand" child="FALL"><div align="center"><strong><font size="4"><a href="index.htm">PDF正文</a></font></strong></div></td>
</tr>
</table></td>
</tr>
</table>
</td>
</tr>
</table>
<div align="center"></div>
</body>
</html>
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -