基于支持向量機(jī)的入侵檢測(cè)算法研究

內(nèi)容概要

　　《博士文庫(kù)云南民族大學(xué)學(xué)術(shù)文庫(kù)：基于支持向量機(jī)的入侵檢測(cè)算法研究》介紹了：人侵檢測(cè)系統(tǒng)的基本概念與檢測(cè)技術(shù)，對(duì)入侵檢測(cè)的核心技術(shù)——檢測(cè)算法進(jìn)行了深入、系統(tǒng)地研究。主要利用支持向量機(jī)在解決小樣本、非線性及高維問(wèn)題時(shí)所具有的良好性能，來(lái)對(duì)入侵行為進(jìn)行高速檢測(cè)。在此基礎(chǔ)上，充分考慮入侵檢測(cè)環(huán)境中的單點(diǎn)失效問(wèn)題、多個(gè)檢測(cè)器的協(xié)作問(wèn)題，將集成學(xué)習(xí)、人工免疫等新興技術(shù)引入到入侵檢測(cè)環(huán)境中，從而提高檢測(cè)精度和入侵檢測(cè)系統(tǒng)的魯棒性?！　　恫┦课膸?kù)云南民族大學(xué)學(xué)術(shù)文庫(kù)：基于支持向量機(jī)的入侵檢測(cè)算法研究》針對(duì)有計(jì)算機(jī)、信息科學(xué)、通信技術(shù)基礎(chǔ)的中、高級(jí)讀者，適合從事網(wǎng)絡(luò)信息安全、人工智能、數(shù)據(jù)挖掘的研究人員，以及高校計(jì)算機(jī)、信息科學(xué)、通信等專業(yè)高年級(jí)本科生和研究生參考使用。

作者簡(jiǎn)介

谷雨，女，副教授，博士。2009年3月畢業(yè)于西安交通大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)，獲博士學(xué)位。作為項(xiàng)目組主要成員參與國(guó)家973項(xiàng)目一項(xiàng)、國(guó)家自然科學(xué)基金項(xiàng)目?jī)身?xiàng)；主持／參與省部級(jí)科學(xué)基金項(xiàng)目五項(xiàng)；作為主要成員參與云南省高校重點(diǎn)實(shí)驗(yàn)室建設(shè)項(xiàng)目一項(xiàng)；主持／參與云南省教育廳基金項(xiàng)目六項(xiàng)；作為項(xiàng)目組主要成員參與“西部大學(xué)校園計(jì)算機(jī)網(wǎng)絡(luò)建設(shè)工程項(xiàng)目云南民族大學(xué)校園網(wǎng)”的設(shè)計(jì)與實(shí)施。在《計(jì)算機(jī)研究與發(fā)展》、《西安交通大學(xué)學(xué)報(bào)》、Information Technology Journal、IEEE Congress on Evolutionary Computation（CEC）等國(guó)際、國(guó)內(nèi)學(xué)術(shù)刊物和國(guó)際知名學(xué)術(shù)會(huì)議上公開(kāi)發(fā)表學(xué)術(shù)論文20余篇。

書(shū)籍目錄

第1章 入侵檢測(cè)基礎(chǔ)1.1 研究背景1.2 計(jì)算機(jī)安全及關(guān)鍵技術(shù)1.2.1 計(jì)算機(jī)安全概念1.2.2 常見(jiàn)的安全威脅1.2.3 網(wǎng)絡(luò)安全關(guān)鍵技術(shù)1.3 入侵檢測(cè)技術(shù)研究概述1.3.1 入侵檢測(cè)發(fā)展歷程1.3.2 通用人侵檢測(cè)模型1.3.3 異常檢測(cè)與誤用檢測(cè)1.4 入侵檢測(cè)的發(fā)展趨勢(shì)1.4.1 軟計(jì)算方法1.4.2 機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘方法1.4.3 人工免疫系統(tǒng)1.4.4 基于代理的檢測(cè)系統(tǒng)1.5 本章 小結(jié)第2章 支持向量機(jī)2.1 機(jī)器學(xué)習(xí)的基本問(wèn)題2.1.1 學(xué)習(xí)問(wèn)題的表示2.1.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理2.1.3 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化與過(guò)學(xué)習(xí)2.2 統(tǒng)計(jì)學(xué)習(xí)理論2.2.1 學(xué)習(xí)過(guò)程的一致性理論2.2.2 VC維與泛化能力的界2.2.3 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理2.3 支持向量機(jī)理論2.3.1 最優(yōu)化理論基礎(chǔ)2.3.2 線性支持向量機(jī)2.3.3 核函數(shù)方法2.4 本章 小結(jié)附錄：支持向量機(jī)的研究進(jìn)展第3章 支持向量機(jī)的誤差分解和參數(shù)選擇研究3.1 誤差分解理論與支持向量機(jī)學(xué)習(xí)3.1.1 誤差分解理論3.1.2 支持向量機(jī)的偏差一方差分析3.2 核參數(shù)與入侵檢測(cè)性能3.2.1 KDD入侵檢測(cè)基準(zhǔn)數(shù)據(jù)集3.2.2 核參數(shù)選擇對(duì)人侵檢測(cè)性能的影響3.3 本章 小結(jié)附錄1支持向量機(jī)的參數(shù)選擇方法附錄2KDDCUP99數(shù)據(jù)描述第4章 基于不同特征提取的入侵檢測(cè)研究4.1 基于PCA與ICA特征提取的入侵檢測(cè)集成分類系統(tǒng)4.1.1 基于PCA與ICA的入侵檢測(cè)集成分類系統(tǒng)模型4.1.2 集成分類系統(tǒng)的子分類器構(gòu)造方法4.1.3 子分類器對(duì)系統(tǒng)性能的影響研究4.1.4 核參數(shù)對(duì)支持向量機(jī)學(xué)習(xí)性能的影響研究4.2 集成分類系統(tǒng)的增量式學(xué)習(xí)算法4.2.1 算法描述4.2.2 入侵檢測(cè)問(wèn)題的增量式學(xué)習(xí)性能研究4.3 漏警與誤警損失的多目標(biāo)優(yōu)化研究4.3.1 入侵檢測(cè)的不均衡損失問(wèn)題4.3.2 漏警與誤警的Pareto多目標(biāo)優(yōu)化算法4.3.3 仿真實(shí)驗(yàn)及分析4.4 本章 小結(jié)第5章 嵌入式支持向量機(jī)特征選擇算法研究5.1 特征選擇方法5.2 基于數(shù)據(jù)的SVM嵌入式特征選擇模型5.2.1 預(yù)備知識(shí)5.2.2 SVM嵌入式特征選擇模型5.3 一種基于數(shù)據(jù)的SVM上界誤差估計(jì)5.3.1 F1（K）的計(jì)算5.3.2 F2（K）的計(jì)算5.4 一種新的SVM嵌入式特征選擇算法5.5 仿真實(shí)驗(yàn)及分析5.5.1 分類誤差的光滑化處理5.5.2 仿真實(shí)驗(yàn)及分析5.6 本章 小結(jié)第6章 基于負(fù)相關(guān)學(xué)習(xí)的支持向量機(jī)集成算法6.1 集成學(xué)習(xí)6.1.1 集成學(xué)習(xí)方法分類6.1.2 Bagging和Boosting方法6.2 基于負(fù)相關(guān)學(xué)習(xí)的支持向量機(jī)集成算法6.2.1 支持向量機(jī)集成的困難性6.2.2 負(fù)相關(guān)學(xué)習(xí)的理論分析6.2.3 負(fù)相關(guān)學(xué)習(xí)支持向量機(jī)集成算法的實(shí)現(xiàn)6.3 仿真實(shí)驗(yàn)及分析6.3.1 人工數(shù)據(jù)集的實(shí)驗(yàn)和分析6.3.2 入侵檢測(cè)問(wèn)題的實(shí)驗(yàn)和分析6.4 本章 小結(jié)第7章 基于免疫多樣性的入侵檢測(cè)研究7.1 人工免疫原理7.1.1 免疫學(xué)的概念和基本原理7.1.2 免疫系統(tǒng)的特征及對(duì)人侵檢測(cè)的借鑒意義7.2 一種新的基于免疫思想的入侵檢測(cè)工作結(jié)構(gòu)7.3 基于免疫多樣性的人侵檢測(cè)算法7.3.1 免疫多樣性的定義7.3.2 親和度函數(shù)7.3.3 抗體表達(dá)方式——隨機(jī)子空間法7.3.4 基于免疫多樣性的入侵檢測(cè)算法7.4 仿真實(shí)驗(yàn)及分析7.5 本章 小結(jié)第8章 總結(jié)與展望

章節(jié)摘錄

版權(quán)頁(yè)：插圖：附錄：支持向量機(jī)的研究進(jìn)展本附錄內(nèi)容主要節(jié)選自文獻(xiàn)：汪廷華，支持向量機(jī)模型選擇研究[D].北京：北京交通大學(xué)，2010.支持向量機(jī)作為一種新興的基于統(tǒng)計(jì)學(xué)習(xí)理論的核方法，自提出以來(lái)已經(jīng)得到了廣泛深入的研究，其中具有代表意義的工作包括理論基礎(chǔ)及其擴(kuò)展、支持向量機(jī)的訓(xùn)練、支持向量機(jī)的擴(kuò)展、模型選擇與核函數(shù)的研究、支持向量機(jī)的應(yīng)用五個(gè)方面。下面分別就這些方面進(jìn)行概述。1.理論基礎(chǔ)及其擴(kuò)展以Vapnik為代表的AT&T中一個(gè)著名的研究小組做出了大量的開(kāi)創(chuàng)性的貢獻(xiàn)。他們的主要工作包括：奠定了統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)，提出了支持向量機(jī)的概念，并且將其成功地推廣到回歸問(wèn)題。統(tǒng)計(jì)學(xué)習(xí)理論通過(guò)引入結(jié)構(gòu)風(fēng)險(xiǎn)實(shí)現(xiàn)對(duì)目標(biāo)函數(shù)集的控制，使學(xué)習(xí)機(jī)在經(jīng)驗(yàn)風(fēng)險(xiǎn)和學(xué)習(xí)機(jī)的復(fù)雜度之間取得一個(gè)折中，這樣可以獲得較好的泛化能力。VC維是統(tǒng)計(jì)學(xué)習(xí)中的一個(gè)非常核心的概念，它描述了函數(shù)集或?qū)W習(xí)機(jī)的復(fù)雜性，是學(xué)習(xí)能力的一個(gè)重要指標(biāo)，由它可以引申出關(guān)于統(tǒng)計(jì)學(xué)習(xí)的一致性、收斂速度、泛化性能等重要結(jié)論。但遺憾的是，它至今未能給出完善的定義和統(tǒng)一的計(jì)算方法。此外，對(duì)學(xué)習(xí)機(jī)泛化性能的一般條件的研究也還遠(yuǎn)未完善。有關(guān)這方面的研究將成為統(tǒng)計(jì)學(xué)習(xí)理論的核心和難點(diǎn)所在。除了統(tǒng)計(jì)學(xué)習(xí)理論之外，許多學(xué)者還力圖引入其他方面的理論對(duì)支持向量機(jī)進(jìn)行分析。這些理論包括正則化理論、貝葉斯理論等。正則化理論強(qiáng)調(diào)用一個(gè)“平滑”的函數(shù)去逼近一個(gè)未知函數(shù)。對(duì)于兩個(gè)具有相同逼近誤差的曲線，正則化理論認(rèn)為越光滑的越好。

編輯推薦

《基于支持向量機(jī)的入侵檢測(cè)算法研究》的內(nèi)容主要集中于對(duì)入侵檢測(cè)的核心技術(shù)——檢測(cè)算法的研究，主要利用支持向量機(jī)在解決小樣本、非線性及高維問(wèn)題時(shí)所具有的良好性能，來(lái)對(duì)入侵行為進(jìn)行高速檢測(cè)。支持向量機(jī)的相關(guān)研究是近年機(jī)器學(xué)習(xí)與人工智能、數(shù)據(jù)挖掘等研究方向的重要研究?jī)?nèi)容。它是由Vapnik等人在統(tǒng)計(jì)學(xué)習(xí)理論與結(jié)構(gòu)風(fēng)險(xiǎn)極小化原理的基礎(chǔ)上提出的一種學(xué)習(xí)算法。支持向量機(jī)根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，在很大程度上克服了傳統(tǒng)機(jī)器學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)、決策樹(shù)等）的維數(shù)災(zāi)難和局部極小等問(wèn)題，從而獲得了較好的泛化能力。近年來(lái)，在文本分類、目標(biāo)識(shí)別、基因分析等生物信息領(lǐng)域的實(shí)際應(yīng)用中，支持向量機(jī)都取得了極大成功。在入侵檢測(cè)領(lǐng)域，支持向量機(jī)也表現(xiàn)出優(yōu)異的成績(jī)，關(guān)于支持向量機(jī)的研究方興未艾?！痘谥С窒蛄繖C(jī)的入侵檢測(cè)算法研究》詳細(xì)地介紹了統(tǒng)計(jì)學(xué)習(xí)理論、支持向量機(jī)、核函數(shù)的有關(guān)基礎(chǔ)理論和算法，并對(duì)支持向量機(jī)的研究進(jìn)展進(jìn)行了討論。

圖書(shū)封面

圖書(shū)標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    基于支持向量機(jī)的入侵檢測(cè)算法研究 PDF格式下載

---