IP包间关联异常检测的免疫隐马尔柯夫模型

数据包是网络通信的基本单位,网络上的入侵行为都应该在数据包中以不同的形式存在、表达着,而且网络中流通的数据包之间必然存在一定的关联性。人工免疫以往的研究多集中在对单个数据包的分析,很难察觉到隐蔽的、缓慢的入侵行为（这些行为的数据包序列间大多有一定的关联性）。因此,该文对于相互联系的多个数据包,挖掘出它们之间的关联特征,并针对这些特征采用了隐马尔柯夫模型的自动机识别器来检测入侵。     

基于mRMR与基尼重要性的树突状细胞模型

树突状细胞算法（DCA）模拟人体免疫系统中树突状细胞对抗原的识别与提呈过程，是一种快速有效的异常检测方法，其关键是从数据中选取有效特征以表示特定的输入信号。然而，现有信号选取方法存在特征子集冗余、时间复杂度高等问题，导致生成的抗原信号有效性较低，且在高维大样本数据集上运行速度较慢。考虑抗原信号的可用性与信号选取过程的时间效率，提出基于最大相关最小冗余（mRMR）与基尼重要性的树突状细胞模型MRGI-DCA。通过mRMR从原始数据集中快速地提取最相关特征子集，且最大限度地降低特征子集的冗余性。在mRMR预降维的基础上，根据CART树模型快速、准确等特点，利用基尼重要性得到更有效的抗原信号。实验结果表明，MRGI-DCA总体表现优于IG-DCA、COR-DCA、GA-DCA和SVM-DCA方法，其中，准确率、F1值和AUC在高维、低维、异常数据集上的平均值较COR-DCA分别提高6.01%、5.86%、9.96%，并且平均运行时间约为COR-DCA的1/5。