案例推理变权值引擎模型及权值计算方法

在案例推理（CBR）案例检索匹配中,不同案例通常由不同的特征构成。而传统的CBR引擎模型大多采用固定权值模式,导致系统在匹配精度方面的性能很低。为了解决这一问题,提出一种CBR变权值引擎模型,在其特征权值计算模块引入人机互动机制,基于群决策法计算主观权值,提出依据专家个体和群体决策差异的主观权值调整方法;基于相似粗糙集法计算客观权值。最后设计了一种综合权值调整算法,通过计算主观权值和客观权值间的距离,判断两者的偏离程度,从而推导出权值调整系数,得到最终的权值调整结果。通过网络攻击案例进行的算例分析和仿真实验验证了上述方法的正确性和优越性。     

基于CBR技术的入侵检测系统研究

目前,成熟的商用入侵检测系统都是基于特征或者规则的精确匹配,如果攻击模式过于特殊或者攻击者采用一些躲避检测的手段,就容易产生误报或漏报,从而降低入侵检测系统的准确性。针对当前入侵检测系统存在的缺陷,提出了一种基于案例推理技术(Case-Based Reasoning,CBR)的入侵检测系统模型,并在该模型基础上提出了基于Snort的预处理模型以避免推理产生的系统资源过度消耗问题;提出了基于分层结构的案例库维护模型以解决案例质量问题和访问效率问题;设计了一种基于变权值的CBR引擎搜索匹配算法以提高搜索精度。仿真实验证明了上述系统可以有效地解决躲避攻击问题,其检测正确率较传统系统有所改善。