【正文】 算法評價標準 入侵檢測系統(tǒng)的性能評價指標主要有兩個：檢驗率和誤警率。 這種 方法 與 選舉中的投票過程 類似 ， 即 利用單個分類器對給定測試樣本的輸出類別，將該測試樣本劃分到多數(shù)分類器具有相同決策的一類 。 步驟 6 判斷算法是否終止。 步驟 2 初始化和聲庫。應用最廣泛的核是徑向基核（ RBF），即 22( , ) xyK x y e ???? ， 不管是 對小樣本或是大樣本等 問題， 無論是在低維還是 在 高維空間，RBF 核函數(shù)均適用， 并且皆 具有較寬的收斂域，是較為理想的分類核函數(shù)。39。 39。12( , , , )iNx x x x? ，新和聲的每一個音調(diào) 39。 和聲搜索算法（ Harmony Search， HS） 作為 一種現(xiàn)代啟發(fā)式智能進化算法和聲搜索算法（ Harmony Search， HS） [9]是 Geem等人通過類比音樂和最優(yōu)化問題的相似性而提出的。,.(m a x (),( redDaS I GredDaS I G ik ? (5) if 0),( ?reddaSIG k Red=red ka? ； Go to (3) Else Return red。 }{LD? 是一個輸出特征變量，稱 其 為決策屬性， L 表示所屬樣本的標記。 陜西理工學院畢業(yè)論文 數(shù)據(jù)預處理 —— 屬性約簡算法 高維大樣本 是 入侵檢測數(shù)據(jù) 基本 特征，這就使得機器學習過程中 有 如下兩方面問題：首先大量噪聲及冗余屬性存在 于 入侵檢測數(shù)據(jù)集中， 對 分類器的分類精度 造成 嚴重影響；其次，機器學習算法的訓練和分類時間隨數(shù)據(jù)維數(shù)的增 加而增加，會降低分類算法的效率。另外，支持向量機是在小樣本學習的基礎上發(fā)展起來的分類器設計方法，專門用于小樣本數(shù)據(jù)，而且對數(shù)據(jù)維數(shù)不敏感，具有較好的分類精度和泛化能力 [6]。支持向量機就轉(zhuǎn)化為在式 ()的約束下，最小化式 ()，這是一個二次規(guī)劃問題，最優(yōu)解為下面 Lagrange 函數(shù)的鞍點： ? ?? ? ?? ?????????lili iiiiiili i bxwyCwwbwL 1 11 }1)({)(21),( ?????? () 根據(jù) KTT 定理，最優(yōu)解滿足： ??????????????????????????iiibxwyCLiiiiiiiiiiii,0,0,0)1)((0?????????? () 構(gòu)建最優(yōu)超平面的問題可轉(zhuǎn)化為下面的對偶二次規(guī)劃問題： ???????????????? ? ??? ? ?ljiiiljliljjijijijliyCtsxxyyL11 1 1,2,1,0,0..)(21)(m a x??????? () 可看出，線性可分情況和線性不可分情況的差別在于在線性可分的情況下約束條件為0?i? ；而線性不可分的情況下約束條件變得更加嚴格 Ci ???0 。得到的分類函數(shù)為： )s gn ()( bxwxf ??? () 分類超平面 H 1H 分類間隔 w2 1)( ??? bxw 0)( ??? bxw 1)( ???? bxw 陜西理工學院畢業(yè)論文 由圖 6 可知，平面 21 HHH 、 可表示為： 1:1:0:21??????????bxwHbxwHbxwH () 將式 ()進行歸一化處理后，得到 ),( bw 的約束條件，即樣本集需滿足下面的不等式： libxwy i ,2,1,1)( ????? () 在訓練樣本 是 線性可分的 情形 下，要求分類超平面不僅將各類樣本沒有錯誤的分開，而且要使分類間隔最大，前者是為了保證經(jīng)驗風險 為 最小，后者則是為了使置信區(qū)間 是 最小，從而使結(jié)構(gòu)風險最小。 陜西理工學院畢業(yè)論文 支持向量機的基本原理 建立在統(tǒng)計學習理論和結(jié)構(gòu)風險最小化原理基礎上的支持向量機是 一種 新型學習機器[2]。獲得安全信息在異構(gòu)主機以及異構(gòu)網(wǎng)絡，使入侵檢測系統(tǒng)中各模塊的合作時間，并成為未來的重點。 入侵檢測技術 是 一種主動的網(wǎng)絡安全防御手段，其不僅能應對網(wǎng)絡外部的攻擊，而且能夠處理來自網(wǎng)絡自身的攻擊，這些特點是能夠彌補防火墻技術的不足的。當系統(tǒng)受到攻擊時，往往會首先破壞主機的審計數(shù)據(jù)，這就要趕在攻擊者控制主機破壞審計數(shù)據(jù)與 IDS 之前，實時發(fā)出警報，采取相關措施。圖 8 給出了異常入侵檢測的模型。 圖 3 IDS 分類 本文從入侵檢測系統(tǒng)最常用的檢測技術、數(shù)據(jù)來源、檢測技術三種分類方法來分別探討。入侵檢測系統(tǒng)工作原理如圖 所示。 此 外，入侵的概念含義也包括一切試圖危害資源的完整性、保密性和可用性的活動集合。 陜西理工學院畢業(yè)論文 圖 1 IDS 發(fā)展過程圖 目前國內(nèi)對于入侵檢測技術的研究也非?；馃?， 很多 高校、科研院所、企業(yè)都展開了相關的技術研究，并提出了許多改進入侵檢測技術的新方法。 入侵檢測系統(tǒng)發(fā)展及研究現(xiàn)狀 在 1980 年， James Anderson 提出了入侵檢測的概念 [3]開啟了 入侵檢測的研究。 來自外部網(wǎng)絡的攻擊 可以被 入侵檢測系統(tǒng) 所 應對， 而且娶親檢測系統(tǒng)同樣 對來自網(wǎng)絡內(nèi)部的攻擊也同樣有效。 研究的背景及意義 在互聯(lián)網(wǎng)高速發(fā)展的今天，計算機網(wǎng)絡已經(jīng)成為人們生活和工作不可分割的一部分，人們習慣用網(wǎng)絡來查詢，交流，購物、理財和辦公。 support vector machine。 經(jīng)過 反復調(diào)整記憶庫中的解變量，使 得 函數(shù)值隨著迭代次數(shù)的 累加而趨近 收斂，從而 對 支持向量機的參數(shù)完成優(yōu)化。本 設計 系統(tǒng)的介紹了入侵檢測的 基本 概念、發(fā)展 歷史 、與 其他安全技術如 防火墻等的 緊密聯(lián)系 、基本 工作 原理、工作模式、分類 以 及發(fā)展趨勢。 首先，本 設計 考慮到大量冗余、噪聲以及部分連續(xù) 是 入侵檢測數(shù)據(jù)的特 征 ，又為 了 提 升 網(wǎng)絡檢測的 成效 ，因此，運 用鄰域粗糙集 模型應用于 對入侵數(shù)據(jù) 的 屬性約簡 。In addition, early warning capability severely limited in the attack signature database for unknown intrusions lack of early warning paper uses a neighborhood based on rough set attribute reduction algorithm,positive domain neighborhood rough set determined to evaluate the importance of each attribute,descending order according to the importance of the attribute to set reduction,forming a plurality of attribute realization of a mixed type continuous data effectively addressed,avoiding important data that may occur when discrete or hidden information is we use the harmonic search algorithm repeatedly adjust the memory of the solution variables,so the function value increases the number of iterations continue convergence,so as to plete the optimization of support vector machine addition, we also use Bagging classification algorithm integration. .Finally, we realize this intrusion detection system by programming, test results show that the performance of the system is an improvement over the current system are, of course, the followup work, we need to capture and to improve work security technologies and other aspects, thereby develop a prehensive information security system. Keywords intrusion detection。一方面， 入侵 檢測 補充 了 防火墻 的 不足 ， 協(xié)助 系統(tǒng)對付 網(wǎng)絡攻擊 ，擴展了系統(tǒng)管理員的安全管理能力（包括 安全審計 、 監(jiān) 管 、進攻識別和響應），提高了 信息安全基礎 結(jié)構(gòu)的完整性；另一方面 ，網(wǎng)絡入侵檢測可以提高網(wǎng)絡安全的能力，使得計算機網(wǎng)絡的開放性和共享性得到更好的保障，也會使得計算機網(wǎng)絡更好的服務于人們的生活和工作。 目前， 為應對網(wǎng)絡中存在的各種安全 隱患 ， 發(fā)展 最為成熟的技術是防火墻技術，但是防火墻 技術 的安全 防護 功能 極為有 限，首先偽造 IP 攻擊它很難防止；其次防火墻很難應對應用層出現(xiàn)的后門、應用設計缺陷以及加密通道的攻擊；同時防火墻只對外部網(wǎng)絡 的攻擊 比較有效， 而面對 來自網(wǎng)絡內(nèi)部的攻擊 時，防火墻便 無能為力；而 且 防火墻不能有效應 地 對隱藏在正常數(shù)據(jù)包中的惡意代碼。 對 數(shù)據(jù) 進行 分類 是 入侵檢測 的本質(zhì) 問題，即要通過某種檢測手段將 數(shù)據(jù) 分為正常數(shù)據(jù)和異常數(shù)據(jù)兩類，提高入侵檢測系統(tǒng) (Intrusion Detection System, IDS)的檢測率，降低誤報率。 1999 年 WenkeLee 博士第一 次提出 了基于 數(shù)據(jù)挖掘技術 的 入侵檢測 技術 [1]，從審計數(shù)據(jù)中自動生成攻擊檢測模型的新型入侵檢測系統(tǒng) 在 利用智能算法 的情況下 實現(xiàn)了，使得智能化的特點 滲入到 傳統(tǒng)的入侵檢測系統(tǒng) 中 。本文分析了當前入侵檢測系統(tǒng)中分類算法的不足，嘗試將支持向量機的有關分類的優(yōu)點引入入侵檢測分類器中，以期望達到良好的效果。 入侵檢測系統(tǒng) (Intrusion Detection System)：是指 可以 執(zhí)行入侵檢測任務 并且 具有入侵檢測功能的系統(tǒng)， 它 是由軟件和硬件組成的。按照事先預設的異常處理程序，當入侵檢測系統(tǒng)發(fā)現(xiàn)攻擊信息后，可以自動完成諸如切斷網(wǎng)絡、記錄日志， 給管理員發(fā)信息等相關動作。圖 7 給出了誤用入侵檢測的模型。它的這一特點使得它不能夠?qū)崟r的響應，但是它也具有一些不可忽略的優(yōu)點，就是實時分析占用系統(tǒng)資源大，而脫機分析就不存在這一問題，不會影響整個系統(tǒng)的性能，這一特點在網(wǎng)絡數(shù)據(jù)量極大時尤為突出。 入侵檢測技術的進展及發(fā)展趨勢 由于非線性和高維 是 入侵檢測領域中 所獲得的數(shù)據(jù)具有 的 常 見 特點， 而 且數(shù)據(jù)往往不服從已知的某種分布， 如果用 傳統(tǒng)統(tǒng)計學的方法檢測 將難以湊效 ，因此，神經(jīng)網(wǎng)絡、 K 領域 、貝葉斯網(wǎng)絡以及支持向量機等機器學習方法被用于入侵檢測領域，其中 算法 支持向量機(Support Vector Machine,SVM)[14,15]是建立在統(tǒng)計學習理論基礎上， 是一種 機器學習方法 ，以結(jié)構(gòu)風險最小化 作 為 其 準則， 以其 具有結(jié)構(gòu)簡單、全局優(yōu)化、訓練時間短、泛化性能好等優(yōu)點， 可以 較好的解決了高維、非線性、小樣本等問題。 (2)高速入侵檢測：計算機網(wǎng)絡的數(shù)據(jù)連接以及交換設備的速度越來越高，這些硬件設備性能的快速提升，帶來了一個新的問題，就是入侵檢測系統(tǒng)如何應對數(shù)量巨大的，且高速的數(shù)據(jù)交換環(huán)境。這就需要入侵檢測系統(tǒng)安全開放的數(shù)據(jù)接口，讓入侵檢測系統(tǒng)與其他網(wǎng)絡安全技術能夠進行安全的數(shù)據(jù)交換。圖 中，方框點代表 1?iy 的訓練樣本，圓點 表示 1??iy的訓練樣本，中間的實線 是 最優(yōu)超平面，其 相鄰 的兩個虛線分別為過各類中離分類超平面最近的樣本且平行于最優(yōu)超平面的平面，它們之間的距離就是分類間隔。線性硬間隔分類器的主要問題是它總是產(chǎn)生一個沒有訓練誤差的分類超平面，當然數(shù)據(jù)不能完全分開時間隔為負數(shù)。 依據(jù) 泛函 分析有關知識 ，只要一種核函數(shù) ),( ji xxK ， lji ,2,1, ?? 滿