【正文】 //δis the threshold to control the size of the neighbourhood 輸出 ： red； //屬性子集，即 G的約簡 （ 1） ? a∈ G :pute neighbourhood relation N (2) red=Φ 。 39。ix 來自 于 和聲記憶庫 HM，要對(duì)其進(jìn)行音調(diào)微調(diào)，具體操作如下： 39。 基于 HS 算法 SVM 參數(shù)尋優(yōu)具體步驟為： 步驟 1 參數(shù)設(shè)置。 利用 Bagging 技術(shù)產(chǎn)生的每個(gè) bootstrap 訓(xùn)練子集， 因?yàn)榇嬖?大量噪聲及冗余屬性，進(jìn)行屬性約簡 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，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器具有較高的精度和較大的差異性。 仿真實(shí)驗(yàn) 實(shí)驗(yàn)步驟 為了研究算法的穩(wěn)定性，實(shí)驗(yàn)重復(fù) 100 次，取其平均值最為實(shí)驗(yàn)結(jié)果。否則，算法轉(zhuǎn)到步驟 4 繼續(xù)執(zhí)行。此時(shí)，懲罰參數(shù) C 和 RBF 核參數(shù) ? 是 影響 SVM 性能的主要參數(shù)。39。 和聲搜索算法基本步驟如下 : Step 1 初始化 參數(shù) 變量個(gè)數(shù) N 、 最大迭代次數(shù) maxT 、 和聲記憶庫的大小 HMS 、 記憶庫取值概率 HMCR 、陜西理工學(xué)院畢業(yè)論文 音調(diào)微調(diào)概率 PAR 、 音調(diào)調(diào)節(jié)帶寬 bw。 如果 Ssi?? 且 GB? ，樣本 is 在子屬性空間 B 中的鄰域記 為 )(iBs? ，則}),(,|{)( ?? ???? jiBjjiB ssSsss ，其中 ? 是一個(gè)預(yù)設(shè)的閾值， ),( jiB ss? 是在子屬性空間 B 中的一個(gè)測(cè)度函數(shù)。 支持向量機(jī)在入侵檢測(cè)領(lǐng)域中的不足 盡管 支持向量機(jī)具有結(jié)構(gòu)簡單、全局優(yōu)化、訓(xùn)練 效率高 、泛化性能好等優(yōu)點(diǎn)，能夠較好的解決高維、小樣本、非線性等問題。通過選擇不為零的 i? ，解出 b 。這就帶來了一個(gè)問題，不同企業(yè)開發(fā)的入侵檢測(cè)系統(tǒng)之間的數(shù)據(jù)交換工作是非常困難的，各個(gè)企業(yè)的入侵檢 測(cè)系統(tǒng)不能協(xié)同工作，這就需要制定一個(gè)廣大企業(yè)都能夠接受的統(tǒng)一規(guī)范，使得各企業(yè)開發(fā)的入侵檢測(cè)系統(tǒng)具陜西理工學(xué)院畢業(yè)論文 有通用化和標(biāo)準(zhǔn)化。它的最大優(yōu)點(diǎn)就是和網(wǎng)絡(luò)系統(tǒng)融為一體，不會(huì)因?yàn)槿肭謾z測(cè)系統(tǒng)的運(yùn)行而給網(wǎng)絡(luò)與原系統(tǒng)增加負(fù)擔(dān)；還有它對(duì)用戶來說是透明的獲取數(shù)據(jù)所用的監(jiān)控器，這就使得攻擊者不容易在網(wǎng)絡(luò)中定位并破壞入侵檢測(cè)系統(tǒng)。誤用入侵檢測(cè)的原理是它認(rèn)為所有的入侵行為都可以用一種模 式來代表，入侵檢測(cè)系統(tǒng)的工作就是判定被檢測(cè)對(duì)象是不是與這種模式相符合。入侵 的 行為不僅僅 可能是 來自 于 外部的行為，也 非常 可能 是 來自 于 內(nèi)部用戶所進(jìn)行的未授權(quán)行為。 在 1987 年 ， Denning 博士 提出了一 種 經(jīng)典的異常檢測(cè)抽象模型 [4]。這些網(wǎng)絡(luò)安全問題所造成的各種損失是非常巨大的，有時(shí)甚至?xí){到國家的主權(quán)、政治、安全以及社會(huì)的穩(wěn)定。并用相同的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，得到了良好的效果，即本文算法的入侵檢測(cè)率最優(yōu)值達(dá)到 %，誤警率到達(dá) % ， 仿真實(shí)驗(yàn)表明。另外 ， 在小樣本學(xué)習(xí)的基礎(chǔ)上發(fā)展起來的支持向量機(jī)分類器設(shè)計(jì)方法，專門 針對(duì) 小樣本數(shù)據(jù)， 并且 對(duì)數(shù)據(jù)維數(shù)不 敏感，分類精度和泛化能力 極佳 。這樣，網(wǎng)絡(luò)安全就不能不成為人們研究的熱點(diǎn)問題。 一般有 有 三個(gè)組成部分 存在于 入侵檢測(cè)系統(tǒng)（ Intrusion Detection System, IDS），它們 分別是探測(cè)器、分析器和用戶接口 [2]。 基本目標(biāo)及主要內(nèi)容 在研究有限樣本情況下的統(tǒng)計(jì)規(guī)律及學(xué)習(xí)方法的基礎(chǔ)上發(fā)展起來的支持向量機(jī) (Support Vector Machine,SVM)是一種通用的學(xué)習(xí)算法。 (3)數(shù)據(jù)分析： 通過采用統(tǒng)計(jì)學(xué)方法或者其他的智能算法，對(duì)處理過的數(shù)據(jù)進(jìn)行相關(guān)的分析，來發(fā)現(xiàn)其中是否存在非正常數(shù)據(jù)。協(xié)議分析技術(shù)的特點(diǎn)就是計(jì)算量小，檢測(cè)速度快 [10]。由于 Ipv6 協(xié)議本身就具有加密和認(rèn)證的功能，這就使得入侵檢測(cè)系統(tǒng)對(duì)網(wǎng)路數(shù)據(jù)包的監(jiān)聽更加困難了。 線性硬間隔分類器 支持向量機(jī)中最早提出的模型是最大間隔分類器，也稱為線性硬間隔分類器。 非線性支持向量機(jī) ， 通過某 些 特定的非線性映射函數(shù)，將輸入向量映射到某個(gè)高維特征向量 ， 使其線性可分，再在高維空間尋求最優(yōu)超平面，使間隔最大。 然而使用 傳統(tǒng)粗糙集 時(shí)， 需要將連續(xù)型數(shù)據(jù)離散化，會(huì)導(dǎo)致原始信息的丟失，計(jì)算結(jié)果在很大程度上取決于離散化的效果。其中，懲罰系數(shù) C 反映了算法對(duì)離群樣本數(shù)據(jù)的懲罰程度，其值影響模型的復(fù)雜性和穩(wěn)定性。 39。 Step4: 更新和聲記憶庫 對(duì) Step3 中的新解進(jìn)行評(píng)估，如果優(yōu)于 HM 中的函數(shù)值最差的一個(gè)，則將新解更新至HM 中。 和聲庫中的每一個(gè)和聲實(shí)際上就是 ( , )C? 的一個(gè)組合，利用支持向量機(jī)在訓(xùn)練集上以每個(gè)和聲為參數(shù)進(jìn)行訓(xùn)練，并將在測(cè)試集上的分類準(zhǔn)確率作為和聲庫中各和聲的適應(yīng)度值。本文所用的 KDD99 已經(jīng)成為近年來評(píng)判入侵檢測(cè)系統(tǒng)的一套標(biāo)準(zhǔn)數(shù)據(jù)。 10%數(shù)據(jù)集包括訓(xùn)練集和測(cè)試集兩部分，從 10%數(shù)據(jù)集的訓(xùn)練集中隨機(jī)抽取 1000 個(gè)樣本作為訓(xùn)練數(shù)據(jù)，其中包括入侵?jǐn)?shù)據(jù) 195 個(gè)，而這其中又包括四大類攻擊共 11 種，具體為 Dos 類型 攻擊有 ueptne 攻擊 40 個(gè)、 smurf 攻擊 90 個(gè)、 back 攻擊 6 個(gè)、 probing 類型 攻擊有 ipsweep 攻擊10 個(gè)、 portsweep 攻擊 10 個(gè)、 satan 攻擊 15 個(gè)， U2R 類型 攻擊有 buffer_overflow 攻擊 4 個(gè)、rootkit 攻擊 4 個(gè)， R2L 攻擊有 waremster 攻擊 4 個(gè)、 Guess_passwd 攻擊 6 個(gè)、 warezlient 攻擊 6 個(gè)。 如果滿足 rand HMCR? ，則 根據(jù)（ ）式 從和聲庫中隨機(jī)選取一 個(gè)和聲，再根據(jù) () 式按概率 PAR 對(duì)選取的和聲進(jìn)行音頻微調(diào)；如果不滿足 rand HMCR? ，則在變量的取值范圍里重新生成一個(gè)新的和聲。39。 新解的第一個(gè)變量 39。 C 的值影響到對(duì)樣本中“離群點(diǎn)”（噪聲影響下非正常數(shù)據(jù)點(diǎn)）的處理，選取合適的 C 就能在一定長度上提高抗干擾能力，從而保證模型的問穩(wěn)定性。 于是 ，為 了 保證入侵檢測(cè)的準(zhǔn)確性和原始信息的完整性 , 本文采用鄰域粗糙集模型進(jìn)行屬性約簡，在此基礎(chǔ)上對(duì)入侵檢測(cè)信息樣本空間進(jìn)行鄰域?；?，直接計(jì)算樣本距離，確定樣本之間的相鄰關(guān)系。 依據(jù) 泛函 分析有關(guān)知識(shí) ，只要一種核函數(shù) ),( ji xxK ， lji ,2,1, ?? 滿足 Mercer 條件，它就對(duì)應(yīng)某一變換空間中的內(nèi)積，即核函數(shù)方法是通過定義特征變換樣本在特征空間中的內(nèi)積來實(shí)現(xiàn)一種特征變換，高維空間中特征向量的內(nèi)積可以通過核函數(shù)用低維空間中的輸入向量直接計(jì)算得到，從而特征空間維數(shù)的增加不會(huì)導(dǎo)致計(jì)算量呈指數(shù)增長。圖 中，方框點(diǎn)代表 1?iy 的訓(xùn)練樣本，圓點(diǎn) 表示 1??iy的訓(xùn)練樣本，中間的實(shí)線 是 最優(yōu)超平面，其 相鄰 的兩個(gè)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。 (2)高速入侵檢測(cè)：計(jì)算機(jī)網(wǎng)絡(luò)的數(shù)據(jù)連接以及交換設(shè)備的速度越來越高，這些硬件設(shè)備性能的快速提升，帶來了一個(gè)新的問題，就是入侵檢測(cè)系統(tǒng)如何應(yīng)對(duì)數(shù)量巨大的，且高速的數(shù)據(jù)交換環(huán)境。它的這一特點(diǎn)使得它不能夠?qū)崟r(shí)的響應(yīng)，但是它也具有一些不可忽略的優(yōu)點(diǎn)，就是實(shí)時(shí)分析占用系統(tǒng)資源大，而脫機(jī)分析就不存在這一問題，不會(huì)影響整個(gè)系統(tǒng)的性能，這一特點(diǎn)在網(wǎng)絡(luò)數(shù)據(jù)量極大時(shí)尤為突出。按照事先預(yù)設(shè)的異常處理程序，當(dāng)入侵檢測(cè)系統(tǒng)發(fā)現(xiàn)攻擊信息后，可以自動(dòng)完成諸如切斷網(wǎng)絡(luò)、記錄日志， 給管理員發(fā)信息等相關(guān)動(dòng)作。本文分析了當(dāng)前入侵檢測(cè)系統(tǒng)中分類算法的不足，嘗試將支持向量機(jī)的有關(guān)分類的優(yōu)點(diǎn)引入入侵檢測(cè)分類器中，以期望達(dá)到良好的效果。 對(duì) 數(shù)據(jù) 進(jìn)行 分類 是 入侵檢測(cè) 的本質(zhì) 問題，即要通過某種檢測(cè)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(cè)系統(tǒng) (Intrusion Detection System, IDS)的檢測(cè)率，降低誤報(bào)率。一方面， 入侵 檢測(cè) 補(bǔ)充 了 防火墻 的 不足 ， 協(xié)助 系統(tǒng)對(duì)付 網(wǎng)絡(luò)攻擊 ，擴(kuò)展了系統(tǒng)管理員的安全管理能力（包括 安全審計(jì) 、 監(jiān) 管 、進(jìn)攻識(shí)別和響應(yīng)），提高了 信息安全基礎(chǔ) 結(jié)構(gòu)的完整性；另一方面 ，網(wǎng)絡(luò)入侵檢測(cè)可以提高網(wǎng)絡(luò)安全的能力，使得計(jì)算機(jī)網(wǎng)絡(luò)的開放性和共享性得到更好的保障，也會(huì)使得計(jì)算機(jī)網(wǎng)絡(luò)更好的服務(wù)于人們的生活和工作。 首先，本 設(shè)計(jì) 考慮到大量冗余、噪聲以及部分連續(xù) 是 入侵檢測(cè)數(shù)據(jù)的特 征 ，又為 了 提 升 網(wǎng)絡(luò)檢測(cè)的 成效 ，因此，運(yùn) 用鄰域粗糙集 模型應(yīng)用于 對(duì)入侵?jǐn)?shù)據(jù) 的 屬性約簡 。 經(jīng)過 反復(fù)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(duì) 支持向量機(jī)的參數(shù)完成優(yōu)化。 研究的背景及意義 在互聯(lián)網(wǎng)高速發(fā)展的今天，計(jì)算機(jī)網(wǎng)絡(luò)已經(jīng)成為人們生活和工作不可分割的一部分，人們習(xí)慣用網(wǎng)絡(luò)來查詢，交流，購物、理財(cái)和辦公。 入侵檢測(cè)系統(tǒng)發(fā)展及研究現(xiàn)狀 在 1980 年， James Anderson 提出了入侵檢測(cè)的概念 [3]開啟了 入侵檢測(cè)的研究。 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(dòng)集合。 圖 3 IDS 分類 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)來源、檢測(cè)技術(shù)三種分類方法來分別探討。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。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，并成為未來的重點(diǎn)。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(xué)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(jìn)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(xùn)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(cuò)誤的分開，而且要使分類間隔最大，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。另外，支持向量機(jī)是在小樣本學(xué)習(xí)的基礎(chǔ)上發(fā)展起來的分類器設(shè)計(jì)方法，專門用于小樣本數(shù)據(jù)，而且對(duì)數(shù)據(jù)維數(shù)不敏感，具有較好的分類精度和泛化能力 [6]。 }{LD? 是一個(gè)輸出特征變量，稱 其 為決策屬性， L 表示所屬樣本的標(biāo)記。 和聲搜索算法（ Harmony Search， HS） 作為 一種現(xiàn)代啟發(fā)式智能進(jìn)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。 39。應(yīng)用最廣泛的核是徑向基核（ RBF），即 22( , ) xyK x y e ???? ， 不管是 對(duì)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)。 步驟 6 判斷算法是否終止。 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 選舉中的投票過程 類似 ， 即 利用單個(gè)分類器對(duì)給定測(cè)試樣本的輸出類別，將該測(cè)試樣本劃分到多數(shù)分類器具有相同決策的一類 。 步驟 2 初始化和聲庫。39。12( , , , )iNx x x x? ，新和聲的每一個(gè)音調(diào) 39。,.(m a x (),( redDaS I GredDaS I G ik ? (5) if 0),( ?reddaSIG k Red=red ka? ； Go to (3) Else Return red。 陜西理工學(xué)院畢業(yè)論文 數(shù)據(jù)預(yù)處理 —— 屬性約簡算法 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(cè)數(shù)據(jù)集中， 對(duì) 分類器的分類精度 造成 嚴(yán)重影響；其次，機(jī)器學(xué)習(xí)算法的訓(xùn)練和分類時(shí)間隨數(shù)據(jù)維數(shù)的增 加而增加，會(huì)降低分類算法的效率。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)劃問題，最優(yōu)解為下面 Lagrange 函數(shù)的鞍點(diǎn)： ? ?? ? ?? ?????????lili iiiiiili i bxwyCwwbwL 1 11 }1)({)