入侵檢測(cè)系統(tǒng)中兩種異常檢測(cè)方法分析論文(編輯修改稿)
2025-07-25 12:05 本頁面
【文章內(nèi)容簡(jiǎn)介】 的過程，在這一過程中沒有任何關(guān)于類分的先驗(yàn)知識(shí)，沒有教師指導(dǎo)，僅靠事物間的相似性作為類屬劃分的準(zhǔn)則，即同一聚類之間最小化，而不同聚類之間數(shù)據(jù)最大化。本文著重介紹一種聚類算法，即層次聚類算法。該算法隊(duì)給定的數(shù)據(jù)集進(jìn)行層次分解，指導(dǎo)某種條件滿足為止。將層次聚類算法用于異常入侵檢測(cè)的過程主要有三部分：一是數(shù)據(jù)預(yù)處理部分。主要包括數(shù)據(jù)離散化、歸一化處理，當(dāng)涉及到求解各種數(shù)據(jù)記錄間距離時(shí)，由于連接記錄中存在不同的數(shù)據(jù)類型，必須采用合適的異構(gòu)數(shù)據(jù)間的距離度量方法來完成。二是進(jìn)行無監(jiān)督的聚類分析過程。即利用聚類模型對(duì)新的檢測(cè)樣本進(jìn)行分類。（二）、理論分析BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于入侵檢測(cè)（1）、優(yōu)點(diǎn)第一，BP神經(jīng)網(wǎng)絡(luò)具有非線性處理和概括抽象的能力。對(duì)于處理網(wǎng)路環(huán)境中常常出現(xiàn)信息丟失不完整或者變形失真的情況，具有一定的容錯(cuò)處理能力。第二，BP神經(jīng)網(wǎng)絡(luò)具備高度的學(xué)習(xí)和自適應(yīng)能力。通過對(duì)輸入正常樣本和異常樣本的不斷訓(xùn)練，神經(jīng)網(wǎng)絡(luò)不僅能夠以很高的準(zhǔn)確率識(shí)別出新的入侵行為特征，而且能夠以一定的概率識(shí)別出新的入侵行為特征和已知入侵行為的變種形式。從而可克服基于專家系統(tǒng)檢測(cè)技術(shù)的局限性。第三，BP神經(jīng)網(wǎng)絡(luò)的內(nèi)在并行計(jì)算和存儲(chǔ)特性。在傳統(tǒng)的計(jì)算技術(shù)中，計(jì)算和存儲(chǔ)是完全獨(dú)立的兩個(gè)部分，即計(jì)算機(jī)部件必須從存儲(chǔ)部件中取出指令和待處理數(shù)據(jù)，然后進(jìn)行計(jì)算，最后將計(jì)算結(jié)果返回存儲(chǔ)器。因此，存儲(chǔ)器和計(jì)算器間的傳輸帶寬成為制約計(jì)算機(jī)性能的瓶頸。而在神經(jīng)網(wǎng)絡(luò)模型中，信息的存儲(chǔ)和計(jì)算是合二為一的，各個(gè)神經(jīng)元的工作方式是完全并行的，從輸入到輸出的計(jì)算過程實(shí)際上就是權(quán)值的傳遞過程，而在權(quán)值傳遞的過程中，就同時(shí)完成了信息的存儲(chǔ)過程。此種并行計(jì)算模式所具有的潛在高速計(jì)算能力對(duì)于入侵檢測(cè)來說，可在很短時(shí)間內(nèi)，處理更多的檢測(cè)規(guī)則或特征值，即在更短時(shí)間內(nèi)發(fā)現(xiàn)入侵行為，減少可能的系統(tǒng)損失。（2）、不足第一、不同的神經(jīng)網(wǎng)絡(luò)類型和拓?fù)浣Y(jié)構(gòu)，都存在學(xué)習(xí)能力的限制容量。面對(duì)現(xiàn)實(shí)環(huán)境中數(shù)以千計(jì)的不同攻擊特征，要做到完整識(shí)別，還需要進(jìn)一步的研究。第二、神經(jīng)網(wǎng)絡(luò)具備很強(qiáng)的學(xué)習(xí)能力，能給出判定的類別信息，但是對(duì)于具體發(fā)生的事件類型，則缺乏明確的解釋能力。對(duì)于入侵檢測(cè)，僅判定當(dāng)前事件是否異常往往不夠，通常還需要得到關(guān)于該異常事件具體類型的明確信息。此外，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)能力，往往是通過內(nèi)部的權(quán)值連接和拓?fù)浣Y(jié)構(gòu)來實(shí)現(xiàn)和存儲(chǔ)的，對(duì)于最終判定結(jié)果的產(chǎn)生，通常難以具體解釋詳細(xì)的判定過程以及確定性的判定步驟。第三、構(gòu)造入侵檢測(cè)網(wǎng)絡(luò)模型是根據(jù)個(gè)特征屬性之間的相關(guān)性建立的，是橫向的結(jié)合，同時(shí)在建立模型前必須有相當(dāng)數(shù)量已知的訓(xùn)練樣本，需經(jīng)過樣本數(shù)據(jù)的訓(xùn)練使得網(wǎng)絡(luò)模型適用于具體的應(yīng)用領(lǐng)域，屬于有監(jiān)督的入侵檢測(cè)分析方法。第四、理論上講神經(jīng)網(wǎng)絡(luò)具備并行經(jīng)計(jì)算機(jī)的強(qiáng)大能力，但在當(dāng)前計(jì)算機(jī)的存儲(chǔ)計(jì)算架構(gòu)下來完全實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的并行計(jì)算潛力有一定的難度。層次聚類分析應(yīng)用于入侵檢測(cè)（1）、優(yōu)點(diǎn)第一、由于入侵檢測(cè)的層次聚類分析法是無監(jiān)督的檢測(cè)方法。不需要人工或其他的方法來對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練分類，可直接進(jìn)行異常分類得出分類模型。同時(shí)具有高度的自學(xué)習(xí)和自適應(yīng)能力，能夠根據(jù)模型檢測(cè)出已有的攻擊以及一定數(shù)量的未知攻擊類型，克服誤用檢測(cè)的局限性。第二、由于聚類方法是從數(shù)據(jù)角度進(jìn)行分析，其最終結(jié)果是一個(gè)面向?qū)ο蟮母拍罨R(shí)，該知識(shí)反應(yīng)了數(shù)據(jù)的內(nèi)在特性，是對(duì)數(shù)據(jù)所包含的信息的更高層次的抽象。將其應(yīng)用于入侵檢測(cè)，以入侵檢測(cè)樣本數(shù)據(jù)集作為分析粒度，采用層次聚類法，可使分類過程易于理解與實(shí)現(xiàn)，所得結(jié)果可以樹狀圖的形式表示，體現(xiàn)可視化的特點(diǎn)。第三、針對(duì)描述系統(tǒng)和網(wǎng)絡(luò)活動(dòng)的情況特征集既有數(shù)值特征又有符號(hào)特征，在利用層次聚類進(jìn)行入侵檢測(cè)分析時(shí)，選用混合型數(shù)據(jù)樣本間距離計(jì)算方法，增強(qiáng)了算法與實(shí)際應(yīng)用的關(guān)聯(lián)性。同時(shí)層次聚類算法具有用戶無需設(shè)置參數(shù)，算法簡(jiǎn)單易懂，結(jié)果確定性的特點(diǎn)。（2）、不足第一、構(gòu)造聚類分類模
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1