基于异常检测的模糊行为序列挖掘算法研究

异常检测是入侵检测的一种重要手段, 异常检测的关键在于正常模式的刻画, 而正常模式的质量取决于数据的质量。对于纯净( 不带噪声) 的数据, 正常模式的准确度相对较高; 对于不太纯净的数据, 就有可能丢掉某些真正的用户特征, 从而会增加误警率。基于此提出了一个ASM 用户行为序列特征挖掘算法, 该算法结合数据挖掘中的序列挖掘方法, 利用模糊匹配技术来挖掘隐藏在噪声背后的用户行为序列。实验表明, 采用模糊匹配技术为入侵检测提取正常序列模式是可行的、有效的。     

基于数值序列分析的容侵异常检测算法

面向入侵容忍的入侵检测是网络安全最前沿的研究热点之一．受容侵服务对象本身固有缺陷及系统噪声数据的干扰，传统异常检测算法在容侵系统中检测入侵的准确度不高且耗时较长，影响了容侵系统性能，不再适用．在分析容侵系统特性和现有异常检测方法的基础上，结合数据抗噪思想，提出了一种基于数值序列统计分析的容侵异常检测算法．理论上对算法时间复杂度的分析和真实数据集上的实验结果均表明该算法是可行高效的．