【正文】 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 network security technologies and other aspects, thereby develop a prehensive information security system.Keywords intrusion detection。同時(shí)，這對(duì)于一個(gè)國(guó)家的主權(quán)、政治、軍事以及社會(huì)穩(wěn)定也是有著相當(dāng)?shù)闹匾?，?jù)調(diào)查，美國(guó)每年由于計(jì)算機(jī)網(wǎng)絡(luò)安全問(wèn)題所造成的經(jīng)濟(jì)損失高達(dá)上百億美元。防火墻技術(shù)除了上述的這些明顯的缺陷外，還有一個(gè)嚴(yán)重問(wèn)題就是防火墻的作用是保護(hù)不同的網(wǎng)絡(luò)，而攻擊者一旦突破了防火墻就可以直接對(duì)網(wǎng)絡(luò)中所有的計(jì)算機(jī)發(fā)動(dòng)攻擊。在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的支持向量機(jī)(Support Vector Machine,SVM)[14]是新一代學(xué)習(xí)算法，由于其卓越的學(xué)習(xí)性能，已使當(dāng)前國(guó)際機(jī)器學(xué)習(xí)界熱點(diǎn)研究此算法，并且在圖像分類(lèi)、生物信息學(xué)等熱門(mén)領(lǐng)域獲得了出人意料的應(yīng)用，并呈現(xiàn)出出巨大的優(yōu)越性。目前入侵檢測(cè)技術(shù)的發(fā)展百花齊放，但比較突出的兩個(gè)研究方向是分布式與智能化。針對(duì)這些問(wèn)題，本文做了如下工作： ，并指出入侵檢測(cè)在網(wǎng)絡(luò)安全中的必要性和重要性； ，并指出引入本文所采用的算法后所達(dá)到的改善的效果； CUP 99數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，作為改進(jìn)后算法的有效性的驗(yàn)證。入侵檢測(cè)系統(tǒng)是防火墻的合理補(bǔ)充，對(duì)網(wǎng)絡(luò)的使用進(jìn)行監(jiān)控，在不影響網(wǎng)絡(luò)性能的情況供對(duì)內(nèi)部攻擊、外部攻擊和誤操作的實(shí)時(shí)保護(hù)。集中式IDS等級(jí)式IDS分布式IDS實(shí)時(shí)連續(xù)式IDS間隔批處理式IDS基于主機(jī)的IDS基于網(wǎng)絡(luò)的IDS混合式IDS文件完整性檢查式IDS異常檢測(cè)式IDS誤用檢測(cè)式IDS主動(dòng)響應(yīng)式IDS協(xié)議分析式IDS被動(dòng)響應(yīng)式IDS聯(lián)機(jī)分析式IDS脫機(jī)分析式IDS體系結(jié)構(gòu)同步性數(shù)據(jù)來(lái)源檢測(cè)技術(shù)響應(yīng)方式時(shí)效性入侵檢測(cè)系統(tǒng)(IDS)圖3 IDS分類(lèi)本文從入侵檢測(cè)系統(tǒng)最常用的檢測(cè)技術(shù)、數(shù)據(jù)來(lái)源、檢測(cè)技術(shù)三種分類(lèi)方法來(lái)分別探討。圖8給出了異常入侵檢測(cè)的模型。當(dāng)系統(tǒng)受到攻擊時(shí)，往往會(huì)首先破壞主機(jī)的審計(jì)數(shù)據(jù)，這就要趕在攻擊者控制主機(jī)破壞審計(jì)數(shù)據(jù)與IDS之前，實(shí)時(shí)發(fā)出警報(bào)，采取相關(guān)措施。入侵檢測(cè)技術(shù)是一種主動(dòng)的網(wǎng)絡(luò)安全防御手段，其不僅能應(yīng)對(duì)網(wǎng)絡(luò)外部的攻擊，而且能夠處理來(lái)自網(wǎng)絡(luò)自身的攻擊，這些特點(diǎn)是能夠彌補(bǔ)防火墻技術(shù)的不足的。獲得安全信息在異構(gòu)主機(jī)以及異構(gòu)網(wǎng)絡(luò)，使入侵檢測(cè)系統(tǒng)中各模塊的合作時(shí)間，并成為未來(lái)的重點(diǎn)。 支持向量機(jī)的基本原理建立在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的支持向量機(jī)是一種新型學(xué)習(xí)機(jī)器[2]。得到的分類(lèi)函數(shù)為： () 由圖6可知，平面可表示為： () 將式()進(jìn)行歸一化處理后，得到的約束條件，即樣本集需滿(mǎn)足下面的不等式： () 在訓(xùn)練樣本是線(xiàn)性可分的情形下，要求分類(lèi)超平面不僅將各類(lèi)樣本沒(méi)有錯(cuò)誤的分開(kāi)，而且要使分類(lèi)間隔最大，前者是為了保證經(jīng)驗(yàn)風(fēng)險(xiǎn)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(fēng)險(xiǎn)最小。支持向量機(jī)就轉(zhuǎn)化為在式()的約束下，最小化式()，這是一個(gè)二次規(guī)劃問(wèn)題，最優(yōu)解為下面Lagrange函數(shù)的鞍點(diǎn)： () 根據(jù)KTT定理，最優(yōu)解滿(mǎn)足： ()構(gòu)建最優(yōu)超平面的問(wèn)題可轉(zhuǎn)化為下面的對(duì)偶二次規(guī)劃問(wèn)題： () 可看出，線(xiàn)性可分情況和線(xiàn)性不可分情況的差別在于在線(xiàn)性可分的情況下約束條件為；而線(xiàn)性不可分的情況下約束條件變得更加嚴(yán)格。另外，支持向量機(jī)是在小樣本學(xué)習(xí)的基礎(chǔ)上發(fā)展起來(lái)的分類(lèi)器設(shè)計(jì)方法，專(zhuān)門(mén)用于小樣本數(shù)據(jù)，而且對(duì)數(shù)據(jù)維數(shù)不敏感，具有較好的分類(lèi)精度和泛化能力[6]。 數(shù)據(jù)預(yù)處理——屬性約簡(jiǎn)算法 高維大樣本是入侵檢測(cè)數(shù)據(jù)基本特征，這就使得機(jī)器學(xué)習(xí)過(guò)程中有如下兩方面問(wèn)題：首先大量噪聲及冗余屬性存在于入侵檢測(cè)數(shù)據(jù)集中，對(duì)分類(lèi)器的分類(lèi)精度造成嚴(yán)重影響；其次，機(jī)器學(xué)習(xí)算法的訓(xùn)練和分類(lèi)時(shí)間隨數(shù)據(jù)維數(shù)的增加而增加，會(huì)降低分類(lèi)算法的效率。是一個(gè)輸出特征變量，稱(chēng)其為決策屬性，表示所屬樣本的標(biāo)記。 算法結(jié)束 基于和聲搜索算法的支持向量機(jī)參數(shù)選擇 支持向量機(jī)中核函數(shù)的選擇SVM中不同的內(nèi)積核函數(shù)將形成不同的算法，選擇不同的核函數(shù)以及核函數(shù)的參數(shù)對(duì)SVM的分類(lèi)效果影響很大。算法通過(guò)模擬樂(lè)師們反復(fù)調(diào)整各種樂(lè)器的音調(diào)直到生成一個(gè)美妙和聲的過(guò)程，把該過(guò)程類(lèi)比為優(yōu)化問(wèn)題的求解過(guò)程，將樂(lè)器 類(lèi)比為優(yōu)化問(wèn)題中第個(gè)決策變量，樂(lè)器產(chǎn)生的和聲則相當(dāng)于優(yōu)化問(wèn)題的第個(gè)解向量，對(duì)和聲的評(píng)價(jià)即為優(yōu)化問(wèn)題的目標(biāo)函數(shù)值[1011]。具體操作如下： () Step5: 檢查是否達(dá)到算法終止條件重復(fù)步驟Step3 和Step4，直到創(chuàng)作(迭代)次數(shù)達(dá)到為止?；贖S算法SVM參數(shù)尋優(yōu)具體步驟為：步驟1 參數(shù)設(shè)置。步驟5 更新和聲記憶庫(kù)。利用Bagging技術(shù)產(chǎn)生的每個(gè)bootstrap訓(xùn)練子集，因?yàn)榇嬖诖罅吭肼暭叭哂鄬傩?，進(jìn)行屬性約簡(jiǎn)時(shí)使用具有不同半徑的鄰域粗糙集，不僅可以剔除噪聲和冗余屬性，使獲得的分類(lèi)器具有較高的精度；而且使用具有不同半徑的鄰域粗糙集對(duì)bootstrap訓(xùn)練子集進(jìn)行約簡(jiǎn)，相當(dāng)于將訓(xùn)練子集映射到不同的特征空間，由此進(jìn)一步擴(kuò)大了訓(xùn)練子集的差異性，從而使得最終獲得的分類(lèi)器具有較高的精度和較大的差異性。從10%數(shù)據(jù)集的訓(xùn)練集中隨機(jī)抽樣800個(gè)，分別作為測(cè)試數(shù)據(jù)，其中包含100個(gè)已知攻擊，為驗(yàn)證算法對(duì)未知攻擊的檢測(cè)效果，加入100個(gè)未知攻擊。 之間的時(shí)候，其入侵檢測(cè)率保持在81%左右， 之間時(shí)，檢測(cè)率有大幅提高，大概在92%左右，說(shuō)明鄰域半徑對(duì)檢測(cè)率的影響是較大的。我們發(fā)現(xiàn)本文算法對(duì)已知攻擊和未知攻擊檢測(cè)上都有大幅度的提高，充分說(shuō)明了該算法對(duì)未知攻擊檢測(cè)的有效性，算法具有較強(qiáng)的泛化性能和魯棒性。其次，我要感謝與我共同走過(guò)四年大學(xué)生活的宿舍朋友們，以及其他各位班內(nèi)同學(xué)。參考文獻(xiàn)[1] A .D Sanchez. Advanced support vector machines and kernel methods[J].Neuro , 55(1):15 20. [2] [J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2011(05):259263. [3] [J].(1):4649. [4] [J].(2):5761.[5] Fukuyama Y. Fundamentals of particle swarm techniques [A] . Mo dernHeuristic Optimization Techniques With Applications to Power Systems [M]. IEEE Power Engineering Society, 2002. 45~ 51.[6]劉潔. 基于支持向量機(jī)的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)研究[D].中南大學(xué),2008.[7] 趙暉. 基于聚類(lèi)分析的入侵檢測(cè)算法研究[D].西北大學(xué),2011. [8] 趙暉. 融合鄰域粗糙集與和聲搜索優(yōu)化的網(wǎng)絡(luò)入侵檢測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用,2013,18:7377+93.[9] 饒鮮,董春曦,楊紹全. 基于支持向量機(jī)的入侵檢測(cè)系統(tǒng)[J]. 軟件學(xué)報(bào),2003,04:798803.[10] 凌永發(fā),解季萍. 支持向量機(jī)在入侵檢測(cè)系統(tǒng)中的應(yīng)用[J]. 電力自動(dòng)化設(shè)備,2005,08:5962. [11] 李明. 改進(jìn)的支持向量機(jī)算法及其在入侵檢測(cè)中的應(yīng)用[J]. 科技資訊,2009,13:1819+21.[12] 羅敏,張煥國(guó),王麗娜. 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)入侵檢測(cè)技術(shù):研究綜述[J]. 計(jì)算機(jī)科學(xué),2003,02:105107+117.[13] 張琨,曹宏鑫,嚴(yán)悍等. 支持向量機(jī)在網(wǎng)絡(luò)異常入侵檢測(cè)中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用研究,2006,05:98100.[14] SHAO Xinguang, YANG Huizhong, CHEN Gang. Parameters selection and application of support vector machines based on particle swarm optimization algorithm [J].Control Theory and Applications, 2006, 23( 5 ) : 740 743.[15]張義榮,鮮明,[J].計(jì)算機(jī)科學(xué)2006,33(6):6468.[16]胡清華,于達(dá)仁,[J].軟件學(xué)報(bào)2008,15(3):121125. [17]胡清華, 趙輝,[J].模式識(shí)別與人工智能,2008,21(6):8995. [18]Hu Q H,Yu D R,Liu J F, rough set based heterogeneous feature subset selection[J]. Information , 178(18):35773594.[19] [D]. 上海交通大學(xué),碩士論文[20] [D].中山大學(xué),碩士論文,2009.。此外，我還要感謝數(shù)計(jì)學(xué)院以及其他各學(xué)院的同學(xué)，正是有了你們才讓我的友誼之樹(shù)枝繁葉茂，正是有了你們才讓我領(lǐng)略到了不同學(xué)科的風(fēng)采，正是有了你們才讓我對(duì)陜西理工學(xué)院感情深厚?？梢郧宄目闯稣f(shuō)明本文算法在穩(wěn)定性以及精確率兩方面都遠(yuǎn)優(yōu)于其他算法，具有更好的泛化性能和魯棒性。圖6 鄰域粗糙集半徑與入侵檢測(cè)率關(guān)系 圖7 鄰域粗糙集半徑與入侵誤警率關(guān)系綜合以上分析可得， 之間的時(shí)候，其檢測(cè)率較高，同時(shí)誤警率達(dá)到較低的狀態(tài)，這為鄰域粗糙集的使用提供一定借鑒。 算法評(píng)價(jià)標(biāo)準(zhǔn)入侵檢測(cè)系統(tǒng)的性能評(píng)價(jià)指標(biāo)主要有兩個(gè)：檢驗(yàn)率和誤警率。這種方法與選舉中的投票過(guò)程類(lèi)似，即利用單個(gè)分類(lèi)器對(duì)給定測(cè)試樣本的輸出類(lèi)別，將該測(cè)試樣本劃分到多數(shù)分類(lèi)器具