基于支持向量機(jī)的入侵檢測(cè)方法
【專利摘要】本發(fā)明屬于模式識(shí)別領(lǐng)域，提供了一種基于支持向量機(jī)的入侵檢測(cè)方法，包括如下步驟，數(shù)據(jù)預(yù)處理，對(duì)數(shù)據(jù)進(jìn)行特征加權(quán)，對(duì)數(shù)據(jù)進(jìn)行特征提取，利用改進(jìn)的SVM進(jìn)行入侵檢測(cè)。本發(fā)明降低了次要因素對(duì)分類性能的影響，降低了維數(shù)和縮減數(shù)據(jù)冗余信息，減少了運(yùn)算量，提高了支持向量機(jī)的分類性能和入侵檢測(cè)精度。
【專利說明】基于支持向量機(jī)的入侵檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及模式識(shí)別領(lǐng)域，尤其涉及入侵檢測(cè)領(lǐng)域。
【背景技術(shù)】
[0002]入侵檢測(cè)本質(zhì)上是個(gè)分類問題，屬于模式識(shí)別的范疇。目前為止，各種技術(shù)諸如數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、數(shù)據(jù)融合和神經(jīng)網(wǎng)絡(luò)等都在入侵檢測(cè)工作中取得了可觀的成果，而支持向量機(jī)(Support Vector Machine,簡(jiǎn)稱SVM)作為一種新興的機(jī)器學(xué)習(xí)方法也取得了一定的成績(jī)。傳統(tǒng)SVM在入侵檢測(cè)中的應(yīng)用，雖說在檢測(cè)精度以及效率上有所提高，但是入侵檢測(cè)數(shù)據(jù)數(shù)據(jù)量大，維數(shù)多，導(dǎo)致核矩陣的計(jì)算量大，同時(shí)一些次要因素會(huì)影響其最優(yōu)分類面的選擇，因此，傳統(tǒng)的SVM還存在著應(yīng)用上的缺陷。比如，不能解決入侵檢測(cè)原始數(shù)據(jù)量大，且具有高維性，冗余性所導(dǎo)致的運(yùn)算量大，訓(xùn)練時(shí)間長(zhǎng)的問題，未對(duì)SVM的參數(shù)進(jìn)行優(yōu)化。

【發(fā)明內(nèi)容】

[0003]本發(fā)明針對(duì)上述現(xiàn)有技術(shù)存在的問題作出改進(jìn)，即本發(fā)明要解決的技術(shù)問題是提供一種基于支持向量機(jī)的入侵檢測(cè)方法，這種基于支持向量機(jī)的入侵檢測(cè)方法降低了次要因素對(duì)分類性能的影響；降低了維數(shù)和縮減數(shù)據(jù)冗余信息，較少了運(yùn)算量；提高了支持向量機(jī)的分類性能，提高了入侵檢測(cè)的實(shí)時(shí)性和入侵檢測(cè)精度。
[0004]為了解決上述技術(shù)問題，本發(fā)明提供了如下的技術(shù)方案:
[0005]一種基于支持向量機(jī)的入侵檢測(cè)方法，包括如下步驟:
[0006]S1.數(shù)據(jù)預(yù)處理，對(duì)于捕獲的網(wǎng)絡(luò)數(shù)據(jù)流進(jìn)行預(yù)處理，即將字符變量轉(zhuǎn)化為數(shù)字變量，所有字符屬性對(duì)應(yīng)一張數(shù)值字典；
[0007]S2.對(duì)數(shù)據(jù)進(jìn)行特征加權(quán)，將所有的41個(gè)特征分成3個(gè)集合進(jìn)行特征加權(quán)，降低次要因素對(duì)分類結(jié)果的影響；
[0008]S3.對(duì)數(shù)據(jù)進(jìn)行特征提取，對(duì)特征加權(quán)過得數(shù)據(jù)利用核主成分分析進(jìn)行特征提取，降低數(shù)據(jù)的維數(shù)和冗余信息，減少計(jì)算量，提取完的數(shù)據(jù)作為SVM的輸入向量；
[0009]S4.利用SVM進(jìn)行入侵檢測(cè),使用組合核函數(shù)作為SVM的內(nèi)部核函數(shù)，同時(shí)利用遺傳算法對(duì)核函數(shù)參數(shù)及組合核函數(shù)的加權(quán)系數(shù)進(jìn)行尋優(yōu)，以此來提高SVM的分類性能。
[0010]其中，在對(duì)數(shù)據(jù)進(jìn)行特征加權(quán)中，對(duì)訓(xùn)練數(shù)據(jù)的部分特征的值的加權(quán)變換轉(zhuǎn)換為對(duì)最優(yōu)分類面的權(quán)值向量w的加權(quán)；當(dāng)使用核函數(shù)時(shí)，考慮到可能的高維特征空間中含指數(shù)形式，選權(quán)值的形式為2k，k > O。
[0011]進(jìn)一步的，在對(duì)數(shù)據(jù)進(jìn)行特征加權(quán)時(shí)，所述的3個(gè)集合分別是:
[0012]對(duì)正常數(shù)據(jù)影響較大的特征集:
[0013]A1 = {10，17，25，26，27，28，29，38}
[0014]對(duì)異常數(shù)據(jù)影響較大的特征集:
[0015]A2 = {I, 3，5，6，23，24，32，33，36，39}
[0016]對(duì)以上兩類影響不大的特征集:[0017]A0 = {2，4，7，8，9，11，12，13，14，15，16，18，19，20，21，22，30，31，34，35，37，40，41}
[0018]定義論域X = (Xi I i e Z, I≤i≤41},其中Xi表示第i維特征。X對(duì)分類結(jié)果影響程度定義模糊集合A，其隸屬函數(shù)表示為:
【權(quán)利要求】
1.一種基于支持向量機(jī)的入侵檢測(cè)方法，其特征在于: S1.數(shù)據(jù)預(yù)處理，對(duì)于捕獲的網(wǎng)絡(luò)數(shù)據(jù)流進(jìn)行預(yù)處理，將字符變量轉(zhuǎn)化為數(shù)字變量，所有字符屬性對(duì)應(yīng)一張數(shù)值字典； S2.對(duì)數(shù)據(jù)進(jìn)行特征加權(quán)，將數(shù)據(jù)樣本分為兩類:正常數(shù)據(jù)和異常數(shù)據(jù)，并將所有的41個(gè)特征分成3個(gè)集合； S3.對(duì)數(shù)據(jù)進(jìn)行特征提取，對(duì)特征加權(quán)過得數(shù)據(jù)利用核主成分分析進(jìn)行特征提取，提取完的數(shù)據(jù)作為SVM的輸入向量； S4.利用SVM進(jìn)行入侵檢測(cè)，對(duì)SVM中的核函數(shù)進(jìn)行優(yōu)化，將兩個(gè)核函數(shù)進(jìn)行線性加權(quán)形成組合核函數(shù)，同時(shí)利用遺傳算法對(duì)核函數(shù)參數(shù)及兩個(gè)核函數(shù)組合的加權(quán)系數(shù)進(jìn)行優(yōu)化。
2.根據(jù)權(quán)利要求1所述的基于支持向量機(jī)的入侵檢測(cè)方法，其特征在于:在對(duì)數(shù)據(jù)進(jìn)行特征加權(quán)中，對(duì)訓(xùn)練數(shù)據(jù)的部分特征的值的加權(quán)變換轉(zhuǎn)換為對(duì)最優(yōu)分類面的權(quán)值向量w的加權(quán)；當(dāng)使用核函數(shù)時(shí)，考慮到可能的高維特征空間中含指數(shù)形式，選權(quán)值的形式為2k，k> O。
3.根據(jù)權(quán)利要求1所述的基于支持向量機(jī)的入侵檢測(cè)方法，其特征在于:在對(duì)數(shù)據(jù)進(jìn)行特征加權(quán)時(shí)，所述的3個(gè)集合分別是: 對(duì)正常數(shù)據(jù)影響較大的特征集:
A1 = {10，17，25，26，27，28，29，38} 對(duì)異常數(shù)據(jù)影響較大的特征集:
A2 = {I, 3，5，6，23，24，32，33，36，39} 對(duì)以上兩類影響不大的特征集:
A0 = {2，4，7，8，9，11，12，13，14，15，16，18，19，20，21，22，30，31，34，35，37，40，41} 定義論域X= (Xi I i e Z, I≤i≤41},其中Xi表示第i維特征；X對(duì)分類結(jié)果影響程度定義模糊集合A，其隸屬函數(shù)表示為:

4.根據(jù)權(quán)利要求1所述的基于支持向量機(jī)的入侵檢測(cè)方法，其特征在于:SVM進(jìn)行入侵檢測(cè)的過程為，若處于SVM訓(xùn)練狀態(tài)，則訓(xùn)練SVM，并將訓(xùn)練后的結(jié)果即若干個(gè)支持向量存入SVM支持向量庫；若處于SVM預(yù)測(cè)狀態(tài)，則由SVM預(yù)測(cè)模塊對(duì)輸入向量進(jìn)行預(yù)測(cè)。
5.根據(jù)權(quán)利要求1所述的基于支持向量機(jī)的入侵檢測(cè)方法，其特征在于:選用Poly核函數(shù)和RBF核函數(shù)進(jìn)行組合，形成的組合核函數(shù)為:
PoIy+RBF:
K (X，Xi) = α [ (X.Xi) +l]q+(l-α ) exp (-1 | X-Xi \\2/ ο2)式中，權(quán)系數(shù)α (O < α < I)調(diào)節(jié)兩種核函數(shù)。
【文檔編號(hào)】H04L12/26GK104009886SQ201410223413
【公開日】2014年8月27日 申請(qǐng)日期:2014年5月23日 優(yōu)先權(quán)日:2014年5月23日
【發(fā)明者】陳桂林, 王生光, 徐靜妹, 李雷 申請(qǐng)人:南京郵電大學(xué)