论文部分内容阅读
随着科技的迅速发展,计算机网络已经成为各行各业的基础设施,成为人们生活不可分割的一部分。计算机网络在为人们生活提供便利的同时也带来了网络安全问题,网络攻击事件不断发生,网络入侵的手段与方法也层出不穷,对正常的生活造成困扰。网络安全已成为与国家政治稳定、社会稳定和经济有序运作相关的全球性问题。因此,研究构建高精度、高稳定的网络入侵检测模型具有重要的理论与现实意义。但是目前的研究方法大都存在局限性,对数据集中的小类别样本的检测正确率较低、稳定性较差。因此,本文提出构建基于贝叶斯网络的网络入侵检测模型,希望可以解决这些问题。首先对k阶依赖贝叶斯网络(k-dependence Bayesian Network,KDBN)进行改进,利用最大后验概率准则,引入小类别样本增广方法,构建网络入侵检测模型。然后,在已经构建的贝叶斯网络入侵检测模型的基础上,对模型中的分类器进行集成学习,构建新的网络入侵检测模型。最后,在已经预处理的KDDCup99数据集上进行实验验证。具体研究工作如下:1.对KDDCup99数据集进行预处理。由于KDDCup99数据集容量大,数据结构复杂,不能直接进行实验分析,本文对该数据集进行数据标识处理、数据清洗、属性简约和数据规范化处理。2.研究了一种改进的KDBN结构模型。贝叶斯网络中的KDBN相比其他的贝叶斯方法更能表示数据属性之间的依赖关系,但是其网络结构随着特征属性的增加而剧烈变化,本文对此提出改进方法,通过阈值调控,减少贝叶斯网络中的弱依赖关系的有向边,降低贝叶斯网络结构的复杂性。3.构建基于贝叶斯网络的网络入侵检测模型。本文基于改进的KDBN结构模型,利用最大后延概率准则,构建网络入侵检测模型,引入小类别样本增广方法,实现网络入侵检测的高效率、高检测正确率和高稳定性,解决了许多参考文献在KDDCup99数据集上小类别U2R和R2L的检测正确率低和稳定性差的问题。4.构建基于集成学习的贝叶斯网络入侵检测模型。结合本文提出的改进的KDBN方法,构建了两种集成模型。第一种集成模型是在不能确定最佳阈值的情况下,对不同阈值的改进的KDBN分类器进行集成学习,构建网络入侵检测模型。第二种模型是在确定最佳阈值的情况下,采用Boosting算法构建网络入侵检测模型。两种模型都在预处理过的KDDCup99数据集上验证,大类别样本都得到较好的检测正确率。同样对小类别样本进行增广,解决小类别U2R和R2L检测正确率低的问题。