發(fā)布時間：2019-05-12 10:08

【摘要】：隨著網(wǎng)絡的日益普及，網(wǎng)絡安全問題日益突出，，如何保證網(wǎng)絡系統(tǒng)的安全成為了一個亟待解決的問題。將核主成分分析（KPCA）、粒子群優(yōu)化算法（PSO）和支持向量機（SVM）相結合并應用于入侵檢測中，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，更加提高入侵檢測的性能。 本文主要是對核方法在入侵檢測中的應用進行研究。首先，對KPCA算法進行研究與分析，提出了一種混合核主成分分析算法。其次，針對SVM的參數(shù)選取進行研究，在PSO算法的基礎上，提出了兩種新的優(yōu)化算法。本文的主要創(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。該算法對入侵檢測數(shù)據(jù)進行特征提取，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，而是結合全局核函數(shù)（多項式核函數(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特征提取實驗，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，同時加快了數(shù)據(jù)的訓練與測試速度。 （2）提出了基于動態(tài)粒子群優(yōu)化的SVM（Dynamic Particle Swarm Optimization-SupportVector Machine, DPSO-SVM）入侵檢測算法。該算法引入動態(tài)慣性權重函數(shù)和加速因子函數(shù)來加強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，并將該算法應用于SVM的參數(shù)優(yōu)化。本文利用DPSO-SVM算法對MKPCA處理后的入侵數(shù)據(jù)進行分類實驗，結果表明該算法提高了分類的準確性，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）入侵檢測算法。該方法將混沌搜索與本文提出的動態(tài)粒子群算法相結合。DCPSO不僅對PSO算法的主要參數(shù)進行動態(tài)選擇而且提高種群的多樣性和粒子搜索的遍歷性，進一步的改善了PSO算法的精度、收斂速度。通過DCPSO-SVM在入侵檢測中的實驗，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.
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP393.08

【相似文獻】

相關期刊論文 前10條

1 經(jīng)玲,朱甫芹,魯緋,孫君社;腐乳感官和理化品質的核主成分分析[J];中國農(nóng)業(yè)大學學報;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別[J];東北大學學報;2006年08期

3 薛寧靜;;基于測地距離的核主成分分析方法[J];微計算機信息;2010年31期

4 劉嵩;羅敏;張國平;;基于對稱核主成分分析的人臉識別[J];計算機應用;2012年05期

5 何振學;張貴倉;譙鈞;楊林英;;對稱核主成分分析及其在人臉識別中的應用[J];計算機工程;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)境質量綜合評價模型[J];電腦知識與技術;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];計算機工程與應用;2011年03期

8 孟凡榮;楊開睿;梁志貞;;魯棒的加權核主成分分析算法[J];計算機應用研究;2013年07期

9 劉權;郭武;;基于核主成分分析的話題跟蹤系統(tǒng)[J];清華大學學報(自然科學版);2013年06期

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

相關會議論文 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];第二屆全國信息檢索與內(nèi)容安全學術會議（NCIRCS-2005）論文集[C];2005年

2 劉權;郭武;;基于核主成分分析的話題跟蹤系統(tǒng)[A];第十二屆全國人機語音通訊學術會議（NCMMSC'2013）論文集[C];2013年

3 徐揚;陳實;田玉敏;;基于核主成分分析的步態(tài)識別[A];2008'中國信息技術與應用學術論壇論文集（二）[C];2008年

相關碩士學位論文 前10條

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

2 劉素京;基于核主成分分析和支持向量機的飛機艙音信號的識別[D];南京航空航天大學;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;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;2014年

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

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

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

8 趙春標;工業(yè)經(jīng)濟監(jiān)測預測模型的研究與應用[D];合肥工業(yè)大學;2012年

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

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

本文編號：2475304