检索结果-南通市图书馆

Anomaly Classification Using Genetic Algorithm-Based Random Forest Modelfor Network Attack Detection

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Computers, Materials & Continua 2021年第1期66卷 767-778页

作者： Adel Assiri Management Information Systems Department College of BusinessKing Khalid UniversityAbha61421Saudi Arabia

Anomaly classification based on network traffic features is an important task to monitor and detect network intrusion attacks.Network-based intrusion detection systems(NIDSs)using machine learning(ML)methods are effective tools for protecting network infrastructures and services from unpredictable and unseen attacks.Among several ML methods,random forest(RF)is a robust method that can be used in ML-based network intrusion detection solutions.However,the minimum number of instances for each split and the number of trees in the forest are two key parameters of RF that can affect classification accuracy.Therefore,optimal parameter selection is a real problem in RF-based anomaly classification of intrusion detection systems.In this paper,we propose to use the genetic algorithm(GA)for selecting the appropriate values of these two parameters,optimizing the RF classifier and improving the classification accuracy of normal and abnormal network traffics.To validate the proposed GA-based RF model,a number of experiments is conducted on two public datasets and evaluated using a set of performance evaluation measures.In these experiments,the accuracy result is compared with the accuracies of baseline ML classifiers in the recent works.Experimental results reveal that the proposed model can avert the uncertainty in selection the values of RF’s parameters,improving the accuracy of anomaly classification in NIDSs without incurring excessive time.

关键词： Network-based intrusion detection system(NIDS) random forest classifier genetic algorithm kdd99 UNSW-NB15

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

面向不平衡数据集的入侵检测算法

北京信息科技大学学报（自然科学版） 2022年第2期37卷 81-86页

作者：高莹莹孙璇北京信息科技大学信息管理学院北京100192

针对目前常用的入侵检测数据集存在的类别不平衡问题,从数据的采样层面出发,提出基于数据增强的入侵检测算法,并对数据进行了特征选择。在公开发布的真实数据集上展开的实验表明,针对不平衡的数据集,所提算法可以在一定程度上提升检测... 详细信息

针对目前常用的入侵检测数据集存在的类别不平衡问题,从数据的采样层面出发,提出基于数据增强的入侵检测算法,并对数据进行了特征选择。在公开发布的真实数据集上展开的实验表明,针对不平衡的数据集,所提算法可以在一定程度上提升检测的准确率。

关键词：不平衡数据集入侵检测数据增强 kdd99

基于Fisher‑PCA和深度学习的入侵检测方法研究

在线全文

学校读者我要写书评

暂无评论

数据采集与处理 2020年第5期35卷 956-964页

作者：张鑫杰任午令浙江工商大学计算机与信息工程学院杭州310018

为了在攻击形式多样化、入侵数据海量及多维化的环境中快速、准确地识别网络攻击,提出了一种融合Fisher‑PCA特征提取与深度学习的入侵检测算法。通过Fisher特征选择算法选出重要的特征组成特征子集,然后基于主成分分析法(Principal comp... 详细信息

为了在攻击形式多样化、入侵数据海量及多维化的环境中快速、准确地识别网络攻击,提出了一种融合Fisher‑PCA特征提取与深度学习的入侵检测算法。通过Fisher特征选择算法选出重要的特征组成特征子集,然后基于主成分分析法(Principal component analysis,PCA)将特征子集进行降维,提取出了分类能力强的特征集。构建了一种新的深度神经网络(Deep neural networks,DNN)模型对网络攻击数据和正常数据进行识别与分类。在kdd99数据集上进行实验,结果表明:与传统的人工神经网络(Artificial neural network,ANN)和支持向量机(Support vector machine,SVM)算法相比,这种入侵检测算法的准确率分别提高了12.63%和6.77%,误报率由原来的2.31%和1.96%降为0.28%;与DBN4和PCA‑CNN算法相比,在准确率和检测率保持基本相同的同时有着更低的误报率。

关键词：深度学习入侵检测特征提取主成分分析 kdd99

在线全文

学校读者我要写书评

暂无评论

基于支持向量机和贝叶斯分类的异常检测模型

计算机应用 2012年第6期32卷 1632-1635,1639页

作者：全亮亮吴卫东武汉科技大学计算机科学与技术学院武汉430065

通过对网络攻击类型和入侵检测方法的研究,发现常用的入侵检测方法不能很好地检测U2R和R2L两类攻击。为解决异常检测中对于U2R和R2L两类攻击检测率低的问题,提出了一种基于支持向量机和贝叶斯分类的异常检测模型,该模型利用BIRCH聚类算... 详细信息

通过对网络攻击类型和入侵检测方法的研究,发现常用的入侵检测方法不能很好地检测U2R和R2L两类攻击。为解决异常检测中对于U2R和R2L两类攻击检测率低的问题,提出了一种基于支持向量机和贝叶斯分类的异常检测模型,该模型利用BIRCH聚类算法减少训练数据集中重复记录,并利用支持向量机分类算法和贝叶斯分类算法分别检测DoS、Probe攻击和U2R、R2L攻击。实验结果表明,该模型对于U2R和R2L的检测率分别提高到了68.6%和45.7%。

关键词：异常检测 BIRCH聚类支持向量机贝叶斯分类 kdd99

基于SMOTE和GBDT的网络入侵检测方法研究

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2017年第12期34卷 3745-3748页

作者：封化民李明伟侯晓莲徐治理西安电子科技大学通信工程学院西安710071 北京电子科技学院北京100070

现有的基于机器学习的入侵检测方法大多专注于提高整体检测率和降低整体的漏报率,忽视了少数类别的检测率和漏报率,为此,提出了一种基于SMOTE(synthetic minority oversampling technique)和GBDT(gradient boosting decision tree)的入... 详细信息

现有的基于机器学习的入侵检测方法大多专注于提高整体检测率和降低整体的漏报率,忽视了少数类别的检测率和漏报率,为此,提出了一种基于SMOTE(synthetic minority oversampling technique)和GBDT(gradient boosting decision tree)的入侵检测方法。其核心思想是:首先在预处理阶段使用SMOTE技术提高少数类别的样本数量,且对多数类别样本降采样,最后在平衡数据集上训练GBDT分类器。利用kdd99数据集进行实验验证,并与在原始训练集上训练的分类器、kdd99竞赛的最好成绩进行对比。结果表明,该方法在保持较高的整体正确率的同时,其平均漏报率比kdd99最好成绩及原始训练集上的模型降低了约17%,从而证明了该方法的有效性。

关键词：入侵检测机器学习 GBDT SMOTE kdd99

在线全文

学校读者我要写书评

暂无评论

基于关联规则的网络入侵检测方法

电子科技大学学报 2009年第S1期38卷 94-96页

作者：陈洪泉霍志凯海军大连舰艇学院信息与通信工程系辽宁大连116018

介绍了基于关系代数理论的ORAR关联规则算法,分析了在kddCUP99中选择训练数据集和选择特征的基本方法,并在此基础上利用ORAR算法进行了频繁3、4、5、6项集入侵模式的挖掘,将挖掘结果应用于测试数据集的入侵检测,从检测的准确率和误检率... 详细信息

介绍了基于关系代数理论的ORAR关联规则算法,分析了在kddCUP99中选择训练数据集和选择特征的基本方法,并在此基础上利用ORAR算法进行了频繁3、4、5、6项集入侵模式的挖掘,将挖掘结果应用于测试数据集的入侵检测,从检测的准确率和误检率两个方面较为系统地对不同的频繁项集检测的结果进行了比较,得到了检测效果最好的频繁项集,仿真结果对于入侵检测方法的进一步研究具有积极的借鉴意义。

关键词：频繁模式入侵检测 kdd99 ORAR

在线全文

学校读者我要写书评

暂无评论

基于数据筛选策略的入侵检测研究

计算机工程与设计 2012年第2期33卷 488-492页

作者：代红刘磊辽宁科技大学软件学院辽宁鞍山114051

网络入侵检测系统存在着检测网络未知攻击困难、漏报率高、自身性能难以适应大规模网络数据的处理等缺点。在入侵检测过程中引入了一种大规模数据筛选算法,并对其进行改进,有效地进行了数据的约简,约简后的小样本数据应用于基于支持向... 详细信息

网络入侵检测系统存在着检测网络未知攻击困难、漏报率高、自身性能难以适应大规模网络数据的处理等缺点。在入侵检测过程中引入了一种大规模数据筛选算法,并对其进行改进,有效地进行了数据的约简,约简后的小样本数据应用于基于支持向量机的网络入侵检测系统中,使其能够在较短时间内处理大规模网络数据。实验结果表明,该改进算法能有效地筛选出边界向量,在很少降低检测精度的情况下有效地减少了检测模型的建立时间,从而提高了检测速度。

关键词：支持向量机网络入侵检测数据筛选检测模型 kdd99

一种新型分类算法及其在网络入侵检测中的应用研究

在线全文

学校读者我要写书评

暂无评论

一种新型分类算法及其在网络入侵检测中的应用研究

作者：张浩北京邮电大学

学位级别：硕士

入侵检测系统是网络安全的重要组成部分,入侵检测技术在保护互联网安全以及国家安全战略等领域具有重要的意义。作为一种动态安全技术,它可以及时发现并拦截非法入侵行为,保护正常网民免受来自黑客的骚扰威胁。然而,传统的入侵检测系统... 详细信息

入侵检测系统是网络安全的重要组成部分,入侵检测技术在保护互联网安全以及国家安全战略等领域具有重要的意义。作为一种动态安全技术,它可以及时发现并拦截非法入侵行为,保护正常网民免受来自黑客的骚扰威胁。然而,传统的入侵检测系统无法识别新型网络入侵,例如零日攻击等。并且传统的入侵检测系统检测出的准确率并不是很高,这就导致会出现大量的误报,但这些其实是正常或合理使用计算机产生的信息。大量的误报会增加管理人员的劳动量,从而可能导致真正关键的安全事件被忽略。因此,人们迫切需要研究一种具有更高准确率和更高效率的新型入侵检测系统。机器学习作为近几年呈现爆发式增长的技术,鉴于能够显著提高入侵检测系统的准确率,减小误报率,并且能通过自我训练学习,检测出新出现的入侵,被越来越多的应用在入侵检测中。本文针对以上问题,并结合机器学习方法,提出了一种混合的入侵检测分类算法,来提高入侵检测的准确率,并通过构建分布式入侵检测系统来提高入侵检测的效率。本文主要的研究成果与创新点如下:(1)提出结合Fisher Score和支持向量机的特征选择算法,通过使用Fisher Score对样本集特征评分,并使用支持向量机中的信息熵特性测试评分准确度,该方法确保了在特征排序的计算过程中优先保持最优化特征子集不变。(2)提出基于密度峰值最近邻的入侵检测算法,通过使用基于密度峰值聚类算法的密度公式,将一个可调控的阈值加入到密度公式中,保证了密度在任何场景下都为最优。使用基于密度的加权最近邻算法进行入侵检测分类,大大提高了入侵检测的准确率。(3)提出基于分布式的入侵检测系统模型,将原有测试样本集和密度峰值最近邻算法放在Hadoop集群上进行分布式运行,显著缩短了入侵检测系统的执行时间,提高了入侵检测的效率。

关键词：人工智能入侵检测密度峰值分布式 kdd99

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于人工神经网络的入侵检测技术研究

基于人工神经网络的入侵检测技术研究

作者：曾显峰华南理工大学

学位级别：硕士

互联网络(Internet)在人们的生活中占据越来越重要的位置,无论是公司业务还是个人事务都因网络的发展而变得更加便利,而互联网安全问题也越发引起人们的重视,因此,基于网络的安全技术显得更加重要。入侵检测技术是对传统安全机制的补充... 详细信息

互联网络(Internet)在人们的生活中占据越来越重要的位置,无论是公司业务还是个人事务都因网络的发展而变得更加便利,而互联网安全问题也越发引起人们的重视,因此,基于网络的安全技术显得更加重要。入侵检测技术是对传统安全机制的补充,它有智能监控、实时探测、动态响应等特点,成为目前动态安全工具的主要研究和开发的方向。在入侵检测技术中,软计算方法是检测技术发展的趋势,包括神经网络等。神经网络具有自适应、自组织和自学习的能力,能够通过训练后处理背景知识不清楚的问题。本论文就基于人工神经网络方法对入侵检测技术做了基础的研究和探讨。本论文先简单介绍了常见的网络攻击方式和网络安全技术,接着介绍了入侵检测系统(IDS)的基础概念,分析了入侵检测的基本原理,比较了现有的入侵检测模型和入侵检测技术,讨论了入侵检测技术的发展趋势和挑战,重点阐述了基于人工神经网络方法的入侵检测技术的优势所在。论文中提出的人工神经网络方法是基于BP神经网络模型的。在研究学习了人工神经网络的基本概念、标准BP算法和改进BP共轭梯度算法的基础上,构建了基于BP神经网络的IDS模型。根据该模型的设计目标,给出了系统的基本框架,并就系统实现的关键技术进行了重点研究和阐述。最后,从模拟网络数据包的kdd99数据集中选取了部分数据进行特征筛选和归一化处理,并在RMATLAB R2009a中进行了仿真实验,通过得到的实验数据来验证了系统的有效性能。

关键词：网络安全入侵检测神经网络 BP 算法 MATLAB kdd99