数据挖掘技术在网络入侵检测中的应用与研究

所谓的网络入侵检测技术是一种维护网络安全,防止黑客入侵网络的有效方法,在应用网络入侵检测技术过程中,通过对入侵现象的识别,及时发现网络中的异常现象及时报警,在短时间内采取积极有效的措施对异常现象进行解决,防止不法人员非法入侵。在网络入侵检测工作中,数据挖掘工作是其重要的组成部分,也是整个网络入侵检测技术应用的基础。本文主要内容研究了数据挖掘技术在网络入侵检测中的应用与研究,希望能为我国网络安全事业的发展有所启示。     

基于数据挖掘的网络入侵检测研究

信息技术的发展使得人们越来越注重对网络信息安全的保护,入侵检测系统的出现让网络信息安全的保护从原本的被动保护变成了主动防护,这样一来就给原本的防火墙防护又增加了一层防护网。与此同时,计算机系统也在不断地升级,朝着越来复杂的方向发展,网络数据信息的规模也在不断地扩大,我们必须要不断地对网络安全审计技术进行改造才可以保证网络信息的安全性,也正是在这样的背景下,基于数据挖掘技术基础上的网络入侵检测模型开始出现。本文就网络安全的现状出发对网络入侵检测研究的意义进行了分析,并针对基于数据挖掘基础上进行的网络如今检测系统进行了深入的探究。     

入侵检测技术及其发展

入侵检测是一个主动的和重要的网络安全研究领域,本文首先介绍了入侵检测系统的技术及其发展阶段,阐述了入侵检测系统的功能及分类,重点分析了入侵检测系统的各种检测技术,指出了目前入侵检测系统面临的问题,最后提出了入侵检测技术的发展趋势。     

入侵检测系统研究

随着信息技术的飞速发展,计算机网络被广泛的应用于各个领域.网络给我们的生活带来巨大便利的同时网络安全问题也日益严峻,传统的安全技术已不能满足当今的需要.入侵检测作为一种新的、积极主动的安全防护技术,成为当前网络安全研究的重要内容之一,本文将对各种入侵检测技术进行分析探讨.     

基于数据挖掘的网络入侵检测系统研究

引言 计算机网络是通信技术与计算机相互融合的结果，使计算机的发展得到了质的飞跃。从《第33次中国互联网络发展状况统计报告》中看出，截至2013年12月，中国网民的统计规模已达到6．18亿，     

基于人工免疫算法的入侵检测系统

将人工免疫的理论运用到计算机入侵检测系统中。充分利用了人工免疫系统的分布性、自适应性、记忆性和高效性。为入侵检测系统的高误报率和缺乏自适应性的问题提供了一个可实用模型。     

入侵检测技术研究

入侵检测可以对系统或网络资源进行实时检测,及时发现闯入系统或网络的入侵者,也可预防合法用户对资源的误操作。本文对入侵检测技术进行了分析,并指出当前的研究重点和问题。     

基于IDML的入侵检测模型

本文中提出了一个入侵检测模型.在本模型中,用入侵检测标记语言来表示入侵模式,并把这些入侵模式转换成入侵模式状态机,检测引擎可利用这些入侵模式状态机来检测相应的入侵.该模型解决了设计入侵检测系统时涉及到的入侵模式的表示、可计算性、可扩展性和可维护性等问题.     

探究入侵检测技术在计算机数据库的应用

计算机技术迅猛发展,虽然方便了人们的日常生活,但是随之而来的麻烦也不小。计算机病毒,漏洞,黑客攻击都会因信息泄露,丢失而产生财产损失。计算机安全使用问题成为一个十分重要的研究课题,本文就入侵检测技术在计算机数据库的应用进行探析。     

并行关联规则在入侵电力检测系统中的应用

随着电力企业信息化建设的不断深入,网络安全对电力企业的影响越来越大。入侵检测是计算机和网络安全领域中的一个课题,它是一种动态的安全防护手段,能主动寻找入侵信号,给网络系统提供对外部攻击、内部攻击和误操作的安全保护。本文提出一个分布式的入侵检测系统结构,重点介绍了并行关联规则挖掘算法如何应用于此系统,及其应用于此系统之后的优点。     

Web挖掘技术及其在网络教学评价中的应用

结合W eb日志挖掘技术和数据立方体技术应用于网络教学评价体系,以网络教学体系的W eb服务端和客户端的日志作为数据源,使用数据挖掘技术采集有用的数据进行分析抽取,建立数据库,再应用数据立方体技术、OLAP进行分析处理,得到所需的评价结果。结果表明,此算法可以客观的评价网络教学结果。     

基于粗集理论的数据挖掘应用

论述了粗集的基本理论和特点,并对其在旋转机械故障诊断中的应用进行了探索,提出了粗集理论在旋转机械故障诊断中的数据挖掘方法,运用这一方法对故障诊断决策表进行属性约简,去除其中不必要的属性,揭示出旋转机械故障诊断条件属性中的冗余性,最后得出了属性约简的结果以及决策规则。     

数据挖掘在国际贸易电子商务中的应用

讨论了数据挖掘在国际贸易电子商务中的重要作用和基本过程,探讨了对挖掘前的数据预处理工作和决策树挖掘过程。针对国际贸易电子商务数据的特点,利用决策树方法对国际贸易电子商务数据进行挖掘,对挖掘的规则进行了分析。     

新桥铜硫金矿体探采对比与勘探网度选择

将新桥矿已开采完毕矿体所取得的地质资料 ,与原有的地质勘探资料进行对比 ,以检验矿区地质勘探网度的合理性 ,从而为同类矿体的地质勘探选择合理的勘探网度 ,为矿山整体规划和开采设计提供合理的依据。     

关联规则的数据挖掘在高校图书馆系统中的应用

简要介绍了关联规则的数据挖掘以及Apriori算法,对Apriori算法优缺点和性能进行分析,并将Apriori算法应用于高校图书馆管理系统,给出了系统的完整实现过程。通过分析数据挖掘的结果,寻找各个学科领域中的一些相互关联的知识、辅助教师的教学工作,优化图书馆的馆藏布局。     

数据挖掘在纳米二氧化钛制备中的应用

通过溶胶-凝胶法制备了纳米二氧化钛光催化剂,在500 W高压汞灯紫外光源下对降解甲基橙光催化活性进行了测定。以正交设计获取待分析的纳米二氧化钛制备数据样本,用方差分析和支持向量回归挖掘制备因素与光催化活性的联系。结果表明：通过正交试验,得到了对TiO2的催化活性影响因素的排序和最佳方案。影响因素排序是：煅烧温度（℃）、冰乙酸体积（mL）>蒸馏水用量（mL）>乙醇用量（mL）;通过对检验样本进行实验和计算对比,计算与实验值有较高的拟合精度;正交试验结合支持向量回归可对不同制备工艺得到的光催化剂的活性进行较好的预测。     

数据挖掘方法的评述

决策离不开知识 ,从数据库中采掘知识 ,是解决从大信息量中获取有用知识的有效途径。但是在实际数据库中 ,数据的复杂性 (如信息量大、噪声等 )对数据挖掘方法提出了比机器学习更高的要求 ,这方面的研究正受到越来越多的关注。本文就当前数据挖掘的几种主要方法 ,即神经网络、决策树、粗集和云模型等方法的研究现状进行了评述 ,指出其存在的问题。从总体上看 ,这些方法都有局限性 ,但它们的有机组合具有互补性 ,多方法融合将成为数据挖掘的发展趋势 ,最后指出数据挖掘方法面临的挑战     

A robust neural network model for fault detection in the presence of mislabelled data

Several data-driven methodologies for process monitoring and detection of faults or abnormalities have been developed for the safety of processing systems. The effectiveness of data-based models, however, is impacted by the volume and quality of training data. This work presents a robust neural network model for addressing the mislabelled and low-quality data in detecting faults and process abnormalities. The approach is based on harnessing data quality features along with supervisory labels in the network training. The data quality has been computed using the Mahalanobis distances and trusted centres of each class of data such as normal and faulty data. The method has been examined for detecting abnormalities in two case studies; a continuous stirred tank heater problem for detecting leaks and the Tennessee Eastman chemical process for detecting step and sticking faults. The performance of the proposed robust artificial neural networks (ANN) model is evaluated in terms of accuracy, fault detection rate, false alarm rate, and classification index at varying extents of mislabelling, namely, 1%, 5%, and 10% mislabelled data. The proposed model demonstrates higher detection performance, especially at increased labels of mislabelled data where the performance of the conventional ANN is severely impacted. The proposed methodology can be advantageous in handling mislabelled and low-quality data issues which are crucial in the data-driven modelling of processing systems.