属性相关选择和AdaBoost算法在入侵检测中的应用

入侵事件的识别是入侵检测系统的关键,入侵事件的识别是一个网络数据的分类问题。通过基于相关的属性选择算法,选择出相关度高的属性子集,去除冗余度高的属性,在选择的属性子集上,使用AdaBoost算法对网络数据分类,识别入侵事件。实验结果表明,在选用的实验数据上,基于相关的属性选择算法和AdaBoost算法结合使用,提高了分类正确率和入侵事件的检出率,降低了入侵事件的误报率。     

基于Bagging支持向量机集成的入侵检测研究

对大数据集来说，支持向量机的时空耗费非常大，本文采用bagging技术对支持向量机进行集成。首先用bootstrap技术对训练样本集进行可重复采样，使所得到的新子样本集有较大差异，然后用多个支持向量机对各子样本集进行学习，并将学习后的结果用多数投票法集成最终的结论。实验表明，支持向量机集成对入侵检测数据有比单个支持向量机更好的分类性能。     

改进的否定选择算法在入侵检测系统中的应用

人工免疫系统中的一个重要的核心算法就是否定选择算法(Negative Select Algorithm),该算法用来生成成熟检测器,它是对免疫细胞成熟过程的模拟。否定选择算法的检测器是随机生成的,因此检测器集合冗余度高、对非自体空间的覆盖率低。针对这一问题,本文提出一种改进算法,通过对检测器进行二次筛选来降低检测器的重复率和冗余度。实验证明,在基于免疫原理的入侵检测模型中改进算法可以将模型的正确检测率提高10%,漏检率降低3%,该算法是有效的。     

基于NIPS的网络入侵在线检测和入侵防护的新探索

依据实际实验,对黑客常用的网络入侵方法进行了分析和总结,并对NIPS的在线检测和入侵防护方法做了具体的介绍(包括NIPS的特征匹配、协议分析和异常检测的特点)。通过检测攻击行为的特征,来检查当前网络的会话状态,避免受到欺骗攻击,这点对于网络入侵在线检测和入侵防护是非常有效的。     

免疫算法在基于数据挖掘的入侵检测系统中的应用

人工免疫系统作为计算智能研究的新领域，提供了一种强大的信息处理和问题求解范式。本文介绍了数据挖掘技术在入侵检测系统研究中的基本结构和相关应用，深入讨论了入侵检测系统的自适应问题，并应用基于人工免疫学的动态克隆选择算法给出了相应的解决方法。     

一种基于网络的入侵检测系统的研究与实现

网络入侵检．测系统作为重要的安全工具已经成为研究的热点。本文首先介绍了IDS的基本概念及其组成和分类，然后重点介绍了一种基于网络的入侵检测系统的框架和具体实现，最后对IDS的当前研究情况和发展提出了看法。     

Boosting算法在入侵检测中的应用

将一种基于支持向量机的Boosting算法应用于入侵检测,并通过KDD’99数据的仿真实验将它与单一的支持向量机分类器进行比较,结果表明Boosting算法比单一的支持向量机分类器具有更好的检测效果。     

基于KNN算法及禁忌搜索算法的特征选择方法在入侵检测中的应用研究

 在入侵检测中应用特征选择能够在保持原有信息完整性的基础上,去除其中的冗余特征,有效地提高入侵检测系统的检测速度.本文提出了一种新的特征选择方法,即基于KNN算法及禁忌搜索算法的特征选择方法.实验结果表明该特征选择方法能够有效去除网络数据信息中的冗余特征,减少特征选择时间;并且能够在保证检测准确率的前提下,有效提高系统的检测速度.     

基于特征的入侵检测系统的评估新方法

为了提高评估的准确性，对基于特征的IDS的检测原理进行分析，提出分别评估规则库质量和IDS系统能力的原则。给出评估IDS系统能力的方法，该方法把人工知识视为评估参数，因此结论反映IDS实现的质量。重点讨论系统能力的测度定义，并简单介绍测度计算的总体思路。实验结果表明该方法更能反映基于特征的IDS的真实质量。     

基于属性权重的Bagging回归算法研究

提出一种新的回归算法——基于属性权重的Bagging回归算法。首先使用支持向量机回归或主成分分析方法对样本数据的属性赋以一定的权值,以表明该属性在回归过程中的贡献大小;再根据不同属性的权重大小构建训练使用的多个属性子集。在构建这些属性子集的过程中,按照不同属性权重在总权重中所占比重为概率进行,使得对回归贡献大的属性有更大的可能被选入属性子集当中参与训练;最后,对这些属性子集进行训练,生成相应的多个回归子模型,这些子模型的集合就是通过基于属性权重的Bagging回归算法训练得到的最终模型。     

改进的进化神经网络算法及其在入侵检测中的应用

改进的进化神经网络算法是采用双种群的进化规则,同时完成对权值和结构的进化,其特点是加快算法的收敛速度,在一定程度上克服了BP算法陷入局部最小点的不足。将该算法应用于入侵检测领域中,建立一个基于改进的进化神经网络入侵检测系统模型,并用KDDCUP99数据测试了该模型中改进的进化神经网络分类器引擎,与基于BP神经网络和传统的进化神经网络等相比,得到了较高的检测率。     

蚁群算法选择神经网络参数的网络入侵检测

面对日益严峻的网络入侵形势,网络检测是保证网络安全的重要手段,因此提出蚁群算法选择神经网络参数的网络入侵检测方法。通过神经网络学习采集的网络入侵检测数据,学习过程中采用蚁群算法通过路径寻优、更新信息素等方式选择最佳的神经网络权值和阈值,得到最佳网络入侵检测模型,实现网络入侵的有效检测。实验结果表明,该方法具有较高的网络入侵检测准确率,检测网络入侵的效果更好,速度更快,且抗噪性能强;并且使用者对该方法的检测速度、错误率等方面均要优于传统方法,说明该检测方法的应用效果好、价值高。     

基于神经网络的改进算法在入侵检测中的应用

为解决传统BP算法在网络入侵安全检测中耗时比较长、容易陷入局部最小、均方误差降低率振动剧烈的问题,提出一种BP神经网络的改进算法,通过改变传统中固定学习率或通过某一常数改变学习率,引入动态变化,根据均方误差的变化而改变学习率。最后通过仿真实验,解决了传统算法中收敛速度较慢、均方误差下降时震动剧烈的问题。     

基于神经网络的改进算法在入侵检测中的应用

为解决传统BP算法在网络入侵安全检测中耗时比较长、容易陷入局部最小、均方误差降低率振动剧烈的问题,提出一种BP神经网络的改进算法,通过改变传统中固定学习率或通过某一常数改变学习率,引入动态变化,根据均方误差的变化而改变学习率.最后通过仿真实验,解决了传统算法中收敛速度较慢、均方误差下降时震动剧烈的问题.     

相关检测在宽带雷达信号处理中的应用

通过对宽带雷达信号目标回波的分析，总结了其目标回波的主要特性。在比较几种经典信号检测方法的基础上，重点讨论了CDBPI和IPCD的方法，并对其性能和主要优缺点进行了分析。通过理论分析表明：在输入信噪比较大时，CDBPI方法可以精确地判定目标位置，而IPCD方法能够进一步提高输入信噪比。对IPCD方法的进一步研究表明：在低输入信噪比条件下，该方法具有更好的检测性能。用理想数据和实际数据进行仿真的结果表明，当采用32个脉冲重复周期进行积累后，IPCD方法比经典的能量积累的方法有1～2dB的信噪比提高。     

基于Agent的网络入侵检测专家系统

大多数网络入侵检测专家系统采用单一的推理机制.而基于规则推理和基于事例推理这两种推理机制各有优缺点,采用单一推理机制会降低入侵检测的准确性.文中提出了基于规则和事例的入侵检测混合推理机制.在此基础上,设计了一个基于Agent的网络入侵检测专家系统（AIDES）.实验结果表明,文中设计的AIDES是有效的.     

人工免疫系统在入侵检测系统中的应用

文章总结了人工免疫系统中反向选择、危险理论等模型在入侵检测中的应用,从免疫学和入侵检测的原理上分析了上述模型的优点和不足之处,并分析了基于人工免疫的入侵检测系统未来的发展方向。     

深度学习在工业互联网入侵检测中的应用

工业互联网通过人机物的深度连接,实现生产全要素、全产业链、全价值链的高效互联与协同,推动制造业生产方式和企业形态根本性变革,在经济社会发展中起到了重要的推动作用。然而,工业互联网内外网的连接不可避免地暴露了工业系统的脆弱性,加剧了被恶意攻击者入侵的风险,面临重大安全威胁。近年来,国内外高度重视工业互联网安全,开展了大量的入侵检测理论和技术研究,其中最具代表性的是基于机器学习的入侵检测方法,尤其是深度学习的方法,此类方法不仅能够降低误报率、提高检测率和适应性,而且能够提升对零日攻击的检测。本文面向工业互联网安全问题,从近年来工业互联网的安全事件入手,围绕工业互联网入侵检测,重点介绍了深度学习技术在工业互联网入侵检测中的应用,梳理了当前基于深度学习的工业互联网入侵检测理论和技术的最新研究进展,总结了未来基于深度学习的入侵检测方法的发展方向。     

基于智能优化算法选择特征的网络入侵检测

为了改善网络入侵检测的效果,提出一种智能优化算法选择特征的网络入侵检测模型。首先采用智能优化算法对网络入侵特征进行选择,得到对检测结果有重要贡献的特征,去除无效特征;然后采用支持向量机建立入侵检测分类器,最后采用KDD99数据集对模型性能进行分析。结果表明,该模型提高了网络入侵检测的准确率,而且检测速度可以满足网络安全实际应用的要求。