一种基于网络安全风险评估的入侵检测方法

针对传统的入侵检测系统存在报警数量大、误报率高等缺陷,提出了一种基于网络安全风险评估的入侵检测方法,该方法基于入侵检测结果,引入抗体浓度随入侵强度动态变化这一人工免疫理论的最新研究成果进行网络安全风险的计算,然后根据当前网络面临的实时安全风险动态设置报警策略。实验结果表明,该方法能够实时、定量地计算主机和网络所面临的风险,并极大地降低报警数量和误报率。     

基于危险模式的IDS异常检测模型*

针对当前入侵检测技术在检测新入侵的不足,分析了危险模式理论应用于异常检测的可行性,提出了一个新型的基于危险模式的自适应IDS异常检测系统模型以及相关算法.该系统有效地降低了误报率和漏报率,具有自适应、自学习、自组织和分布性特点.     

基于生产经营状态识别的低误报率窃电检测二次筛查方法

数据驱动的窃电检测方法主要根据电量及派生指标识别低电量异常,容易受干扰影响误报。利用工商业用户生产经营状态指标大致固定的特点,提出基于生产经营状态识别的窃电二次筛查方法。首先,将检出的低电量异常用户每天的三相功率作为负荷特征,用以标识其当天的用电行为模式及生产经营状态。然后,将每天的负荷特征进行近邻传播聚类。当低电量异常时段负荷特征与正常低电量生产经营状态聚为同类时,认为是用户状态正常转换导致的异常,可排除窃电嫌疑。基于实际窃电数据的测试表明,所提方法可降低误报率。     

基于危险理论的入侵检测系统误报率研究

入侵检测系统误报率高是一个普遍存在的问题.本文从概率论的角度出发,通过对入侵检测系统误报产生的原因进行分析,论证基于危险理论的入侵检测系统在保证检测率的同时,有效地降低入侵检测系统的误报率.     

基于有效载荷的异常入侵检测技术研究

分析了目前入侵检测存在的问题,提出了一种基于有效载荷的异常入侵检测技术.该技术选取网络数据包有效载荷的位分布作为系统特征值,采用统计学中的马哈拉诺比斯距离作为区分合法访问与非法入侵的算法,降低了误报率,提高了检测精度.实验结果表明,该检测技术是有效的,具备一定的识别未知入侵的能力,可以实现实时高效的异常入侵检测.     

基于DSP技术的振动报警信号处理

采用了数字信号处理技术对振动传感电缆报警信号进行分析和处理.虚警率高一直是安防系统重点要解决的问题,而传统的时域门限分析方法对信号识别的准确率不高,不利于降低安防系统报警信号的误报率.提出的对各种随机报警信号按照各自的功率谱特征进行判断和识别的方法,可以很大程度上减少信号的误报.结合振动传感电缆报警网络产生的信号特点,用信号的功率谱分析方法,替代传统的报警信号时域门限识别方法.取得了明显的效果,实际测试表明,报警信号的误报率由原来平均43%降到10%以下.     

基于SSA-SVM的网络入侵检测研究

互联网快速发展使得网络空间越来越复杂,网络入侵导致网络安全问题备受关注。为提升网络入侵的检测效率和精度,构建了基于支持向量机的网络入侵检测模型。支持向量机模型的惩罚系数和核函数参数直接影响入侵模型的检测精度,采用麻雀搜索算法对惩罚系数和核函数参数进行优化,提出了基于麻雀搜索算法和支持向量机的网络入侵检测模型。将提出的网络入侵检测模型应用于实际的网络入侵检测中,并与PSO-SVM和SVM模型进行对比。结果表明,所提出的网络入侵检测模型能够有效降低网络入侵的误报率,这对确保网络安全具有一定的现实意义。     

无人值守放牧监测系统报警准确率的研究

通过ZigBee技术、GPS定位追踪技术和远程无线通信技术的结合,计算了ZigBee节点传输距离,并提出一种双系统的监测牛群数量的策略,通过对系统误报率的分析,设定误报率门限,从而确定双系统的组成方式,提高牛群数量监测的准确性,降低误警概率.在此基础上设计了一套智能牛群检测系统,并通过实验验证了理论计算结果.该系统可以在无人值守的情况下,自动监测草原牧场上牛群数量并记录牛群位置,实现自动上传功能.     

基于流量和IP熵特性的DDoS攻击检测方法

针对现有DDoS(Distributed Deny of Service)攻击检测率低、误报率较高等问题进行了深入研究。根据DDoS攻击发生时网络中的流量特性和IP熵特性,建立了相应的流量隶属函数和IP熵隶属函数,隶属函数的上下限参数通过对真实网络环境仿真得到。提出了基于流量和IP熵特性的DDoS攻击检测算法,先判断流量是否异常,再判断熵是否异常,进而判断是否发生了DDoS攻击,提高了。由仿真结果可以看出：单独依靠流量或IP熵都不能很好地检测出DDoS攻击。该算法将流量和IP熵特性综合考虑,准确地检测出了DDoS攻击,降低了误报率,提高了检测率。     

基于BP神经网络的入侵检测算法

为解决传统入侵检测算法存在的高漏报率及高误报率问题,结合BP神经网络算法的优点,提出一种采用遗传算法来优化BP神经网络算法的入侵检测算法。该算法通过遗传算法找到BP神经网络的最适合权值,采用优化的BP神经网络对网络入侵数据进行学习和检测,解决直接使用BP学习造成的训练样本数量过大而难以收敛的问题,同时缩短样本训练时间,提高BP神经网络分类正确率。仿真实验结果表明,与传统网络入侵检测算法相比,该算法的训练样本时间更短,具有较好的识别率和检测率。