發(fā)布時(shí)間：2019-05-12 10:08

【摘要】：隨著網(wǎng)絡(luò)的日益普及，網(wǎng)絡(luò)安全問題日益突出，，如何保證網(wǎng)絡(luò)系統(tǒng)的安全成為了一個(gè)亟待解決的問題。將核主成分分析（KPCA）、粒子群優(yōu)化算法（PSO）和支持向量機(jī)（SVM）相結(jié)合并應(yīng)用于入侵檢測(cè)中，不但解決了數(shù)據(jù)信息的冗余性，而且避免了SVM參數(shù)選取的盲目性，更加提高入侵檢測(cè)的性能。 本文主要是對(duì)核方法在入侵檢測(cè)中的應(yīng)用進(jìn)行研究。首先，對(duì)KPCA算法進(jìn)行研究與分析，提出了一種混合核主成分分析算法。其次，針對(duì)SVM的參數(shù)選取進(jìn)行研究，在PSO算法的基礎(chǔ)上，提出了兩種新的優(yōu)化算法。本文的主要?jiǎng)?chuàng)新如下： （1）提出了基于混合核函數(shù)的MKPCA（Multiple Kernel Principal Component Analysis,MKPCA）算法。該算法對(duì)入侵檢測(cè)數(shù)據(jù)進(jìn)行特征提取，在保證數(shù)據(jù)信息量完整情況下，降低了數(shù)據(jù)的維數(shù)。本文提出的MKPCA算法的核函數(shù)不是單一核，而是結(jié)合全局核函數(shù)（多項(xiàng)式核函數(shù)）和局部核函數(shù)（高斯核函數(shù)）的雙核核函數(shù)，提高了KPCA（Kernel PrincipalComponent Analysis, MKPCA）的非線性特征提取能力。通過MKPCA特征提取實(shí)驗(yàn)，可以看出原始數(shù)據(jù)通過特征提取后分類的正確性得到提高，同時(shí)加快了數(shù)據(jù)的訓(xùn)練與測(cè)試速度。 （2）提出了基于動(dòng)態(tài)粒子群優(yōu)化的SVM（Dynamic Particle Swarm Optimization-SupportVector Machine, DPSO-SVM）入侵檢測(cè)算法。該算法引入動(dòng)態(tài)慣性權(quán)重函數(shù)和加速因子函數(shù)來加強(qiáng)PSO算法搜索能力，平衡PSO算法全局搜索能力和局部搜索能力，并將該算法應(yīng)用于SVM的參數(shù)優(yōu)化。本文利用DPSO-SVM算法對(duì)MKPCA處理后的入侵?jǐn)?shù)據(jù)進(jìn)行分類實(shí)驗(yàn)，結(jié)果表明該算法提高了分類的準(zhǔn)確性，加快了算法趨于最優(yōu)解的收斂速度。 （3）提出了基于動(dòng)態(tài)混沌粒子群優(yōu)化的SVM（Dynamic Chaos Particle Swarm Optimization-Support Vector Machine, DCPSO-SVM）入侵檢測(cè)算法。該方法將混沌搜索與本文提出的動(dòng)態(tài)粒子群算法相結(jié)合。DCPSO不僅對(duì)PSO算法的主要參數(shù)進(jìn)行動(dòng)態(tài)選擇而且提高種群的多樣性和粒子搜索的遍歷性，進(jìn)一步的改善了PSO算法的精度、收斂速度。通過DCPSO-SVM在入侵檢測(cè)中的實(shí)驗(yàn)，可以看出算法的分類正確率和收斂效率都得到了提高。
[Abstract]:With the increasing popularity of the network, the problem of network security is becoming more and more prominent. How to ensure the security of the network system has become an urgent problem to be solved. The combination of kernel principal component analysis (KPCA),) particle swarm optimization (PSO) and support vector machine (SVM) in intrusion detection not only solves the redundancy of data information, but also avoids the blindness of SVM parameter selection. Further improve the performance of intrusion detection. This paper mainly studies the application of kernel method in intrusion detection. Firstly, the KPCA algorithm is studied and analyzed, and a hybrid kernel principal component analysis algorithm is proposed. Secondly, the parameter selection of SVM is studied, and two new optimization algorithms are proposed on the basis of PSO algorithm. The main innovations of this paper are as follows: (1) A MKPCA (Multiple Kernel Principal Component Analysis,MKPCA algorithm based on hybrid kernel function is proposed. In this algorithm, the feature extraction of intrusion detection data is carried out, and the dimension of the data is reduced under the condition of ensuring the integrity of the data information. The kernel function of the MKPCA algorithm proposed in this paper is not a single kernel, but combines the binomial kernel function of the global kernel function (multinomial kernel function) and the local kernel function (Gao Si kernel function) to improve the nonlinear feature extraction ability of KPCA (Kernel PrincipalComponent Analysis, MKPCA). Through the experiment of MKPCA feature extraction, it can be seen that the correctness of classification of the original data after feature extraction is improved, and the training and testing speed of the data is accelerated at the same time. (2) an intrusion detection algorithm based on dynamic particle swarm optimization (SVM (Dynamic Particle Swarm Optimization-SupportVector Machine, DPSO-SVM) is proposed. The dynamic inertia weight function and acceleration factor function are introduced to enhance the search ability of PSO algorithm and balance the global search ability and local search ability of PSO algorithm. The algorithm is applied to the parameter optimization of SVM. In this paper, the DPSO-SVM algorithm is used to classify the intrusion data processed by MKPCA. The results show that the algorithm improves the accuracy of classification and accelerates the convergence speed of the algorithm to the optimal solution. (3) A SVM (Dynamic Chaos Particle Swarm Optimization-Support Vector Machine, DCPSO-SVM intrusion detection algorithm based on dynamic chaotic particle swarm optimization is proposed. This method combines chaotic search with the dynamic particle swarm optimization algorithm proposed in this paper. DCPSO not only dynamically selects the main parameters of PSO algorithm, but also improves the diversity of population and ergodicity of particle search, and further improves the accuracy of PSO algorithm. Convergence rate. Through the experiment of DCPSO-SVM in intrusion detection, it can be seen that the classification accuracy and convergence efficiency of the algorithm have been improved.
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP393.08

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 經(jīng)玲,朱甫芹,魯緋,孫君社;腐乳感官和理化品質(zhì)的核主成分分析[J];中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào);2004年03期

2 趙麗紅;孫宇舸;蔡玉;徐心和;;基于核主成分分析的人臉識(shí)別[J];東北大學(xué)學(xué)報(bào);2006年08期

3 薛寧?kù)o;;基于測(cè)地距離的核主成分分析方法[J];微計(jì)算機(jī)信息;2010年31期

4 劉嵩;羅敏;張國(guó)平;;基于對(duì)稱核主成分分析的人臉識(shí)別[J];計(jì)算機(jī)應(yīng)用;2012年05期

5 何振學(xué);張貴倉(cāng);譙鈞;楊林英;;對(duì)稱核主成分分析及其在人臉識(shí)別中的應(yīng)用[J];計(jì)算機(jī)工程;2013年03期

6 萬星火;金永超;鄭俊玲;;基于核主成分分析的環(huán)境質(zhì)量綜合評(píng)價(jià)模型[J];電腦知識(shí)與技術(shù);2014年09期

7 殷俊;周靜波;金忠;;基于余弦角距離的主成分分析與核主成分分析[J];計(jì)算機(jī)工程與應(yīng)用;2011年03期

8 孟凡榮;楊開睿;梁志貞;;魯棒的加權(quán)核主成分分析算法[J];計(jì)算機(jī)應(yīng)用研究;2013年07期

9 劉權(quán);郭武;;基于核主成分分析的話題跟蹤系統(tǒng)[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年06期

10 賈亞瓊;;基于核主成分分析的圖像去噪[J];科學(xué)技術(shù)與工程;2009年19期

相關(guān)會(huì)議論文 前3條

1 薛永剛;朱靖波;魏剛;;基于核主成分分析的文本分類[A];第二屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議（NCIRCS-2005）論文集[C];2005年

2 劉權(quán);郭武;;基于核主成分分析的話題跟蹤系統(tǒng)[A];第十二屆全國(guó)人機(jī)語音通訊學(xué)術(shù)會(huì)議（NCMMSC'2013）論文集[C];2013年

3 徐揚(yáng);陳實(shí);田玉敏;;基于核主成分分析的步態(tài)識(shí)別[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

相關(guān)碩士學(xué)位論文 前10條

1 馬文青;一種加權(quán)核主成分分析及其相關(guān)參數(shù)的選取[D];大連海事大學(xué);2009年

2 劉素京;基于核主成分分析和支持向量機(jī)的飛機(jī)艙音信號(hào)的識(shí)別[D];南京航空航天大學(xué);2009年

3 賈亞瓊;基于核主成分分析的圖像降噪方法研究[D];華南理工大學(xué);2010年

4 萬康康;基于核主成分分析的原像問題研究[D];南京理工大學(xué);2014年

5 孫宗寶;基于軟間隔支持向量機(jī)和核主成分分析的入侵檢測(cè)研究[D];哈爾濱理工大學(xué);2007年

6 王輝;基于核主成分分析特征提取及支持向量機(jī)的人臉識(shí)別應(yīng)用研究[D];合肥工業(yè)大學(xué);2006年

7 沈徐輝;基于核主成分與支持向量機(jī)的體內(nèi)藥物代謝預(yù)測(cè)[D];浙江大學(xué);2011年

8 趙春標(biāo);工業(yè)經(jīng)濟(jì)監(jiān)測(cè)預(yù)測(cè)模型的研究與應(yīng)用[D];合肥工業(yè)大學(xué);2012年

9 張立;基于核主成分分析和多重分形的地球化學(xué)綜合異常信息提取[D];成都理工大學(xué);2014年

10 劉孔源;基于核方法的網(wǎng)絡(luò)入侵檢測(cè)若干研究[D];南京郵電大學(xué);2014年

本文編號(hào)：2475304