入侵检测中贝叶斯分类器改进的研究

介绍了一个改进的贝叶斯分类器,其中利用了滑动窗口技术改善入侵检测的实时性能和可控制性能。同时在入侵检测的结构中引入一个性能调节器,它可以动态调整系统参数,提高系统的运行性能,使系统成为一个自动的、有意识的安全系统。     

入侵检测中贝叶斯分类器的改进和设计

针对入侵检测系统在实时检测能力和自适应能力方面的不足,提出了一个改进的贝叶斯分类器,通过引入滑动窗口技术改善入侵检测的实时性.同时通过所设计的性能调节器对贝叶斯分类器中参数的动态设置,实现了入侵检测系统的自适应性.改进后的贝叶斯分类器有效地实现了入侵检测的实时性、主动性和自适应性.     

贝叶斯分类器在入侵检测中的应用

本文针对贝叶斯网络分类器的时间复杂性均取决于特征值间的依赖程度,甚至可能是NP完全问题,提出了一种基于分治理论的贝叶斯分类器算法,该算法把分治理论的思想和贝叶斯网络分类器有机结合起来,既保留了贝叶斯网络分类器模型的结构简单、复杂度低的优点,又降低了传统贝叶斯分类器时间复杂度的问题。通过大量数据的进行贝叶斯网络训练得到的检测结果,与传统的基于神经网络和遗传算法相比,检测率提高5%以上。同时,该算法还有误检率低的优点。     

基于改进贝叶斯算法的入侵检测方法

贝叶斯分类模型是入侵检测中用于攻击类型分类的有力工具。在总结前人成果的基础上,提出了一个改进的贝叶斯模型,对朴素贝叶斯算法进行了改进,降低了朴素贝叶斯算法的强独立性假设,提高了入侵检测的分类精度,并通过试验对算法进行了验证和性能分析。同时,指出了下一步的研究方向。     

基于完全无向图的贝叶斯分类器在入侵检测中的应用

朴素贝叶斯分类器由于其强独立性假设,并不考虑属性之间的相互关系,而入侵检测的数据集不能很好地满足这一条件假设.为此,提出了一种基于有向完全图的贝叶斯分类器,将属性之间的关系加入到分类器的构造中,降低了朴素贝叶斯分类器的强独立性假设,并将其应用于入侵检测中.在MIT入侵检测数据集的实验表明,该算法能提高入侵检测的准确率,其效果很好.     

基于隐藏贝叶斯网络的入侵检测研究

不同的入侵检测系统,使用不同的数据属性。朴素贝叶斯(Naive Bayes简称NB)分类器由于其强独立性假设,并未考虑属性之间的相互关系,而入侵检测的数据集不能很好地满足条件假设,本文引入隐藏贝叶斯网络分类器,并将其应用于入侵检测中。该模型为每一个属性创建一个隐藏的父属性,它能影响到分类器的其它属性。实验表明,该算法可以优化朴素贝叶斯模型,能提高入侵检测系统的整体性能,效果更好。     

用于入侵检测的基于粗糙集的贝叶斯分类器

网络安全的同题日趋严重，人佟检测的研究是当今的研究热点。将数据挖掘和机器学习技术用于入侵检测是一个可行的方法。有很多算法用于入侵检测中，但有的是正确率比较低，也有的是学习或分类时间长，这些都限制了入侵检测系统在实际中的应用。文中提出了将粗糙集用于网络侦听的海量数据的属性约简，而后提出使用朴索贝叶斯进行分类预测。该方法的准确率高，而且时间性能好，适用于网络人侵检测的要求。     

用于入侵检测的基于粗糙集的贝叶斯分类器

网络安全的问题日趋严重,入侵检测的研究是当今的研究热点。将数据挖掘和机器学习技术用于入侵检测是一个可行的方法。有很多算法用于入侵检测中,但有的是正确率比较低,也有的是学习或分类时间长,这些都限制了入侵检测系统在实际中的应用。文中提出了将粗糙集用于网络侦听的海量数据的属性约简,而后提出使用朴素贝叶斯进行分类预测。该方法的准确率高,而且时间性能好,适用于网络入侵检测的要求。     

基于贝叶斯的入侵检测

入侵检测技术在网络安全领域的应用越来越重要,它是网络安全防护的重要组成部分。提出将贝叶斯原理应用于入侵检测,把AI领域中的概念引入入侵检测,建立入侵检测的规划识别模型,尝试预测攻击者的下一步行为或攻击意图,从而起到提前预警的作用。用一实例说明了贝叶斯原理在入侵检测领域内的一些应用,提出了一个基于改进贝叶斯算法的新模型。该模型提高了入侵检测系统的完备性和准确性,能有效保障信息系统的安全。     

基于贝叶斯分类器的报税欺诈检测

税收评估是税务机关通过对企业纳税状况和经营状况的分析,判断是否存在偷逃税行为,决定税收检查的重点.税收申报欺诈检测是税务机关税收征管和稽查中面临的一个重要问题.为正确评估纳税情况,提出一种基于贝叶斯分类器的税收申报欺诈检测方法.首先用采样来的企业经营和财务数据训练好一个贝叶斯分类器系统,然后用贝叶斯分类器系统判断一个企业的报税额是否真实.对青岛市61家有代表性的商业零售企业纳税情况进行了实验.实验结果显示在31个测试样本中,检测精度达93.55%,而训练时间只需0.698s,说明所提方法是一种有效的方法.     

基于快速属性选择的贝叶斯分类在入侵检测中的应用

高速网络环境中数据量日益增大,安全问题日益突出,对入侵检测技术提出了更高的要求.朴素贝叶斯作为数据挖掘的重要方法之一,在入侵检测中有着重要的地位.由于其属性独立假设,使得如何在海量高维数据处理背景下快速、准确、有效地选出代表原数据的属性显得尤为重要.本文提出了一种快速属性选择方法并结合朴素贝叶斯分类模型应用于入侵检测中.实验表明,结合了该属性选择方法的朴素贝叶斯分类器有很好的分类精度及较低的时空消耗.     

一种网络入侵检测的改进贝叶斯算法

入侵检测技术越来越受到人们的关注。提出了一种用于入侵检测中警报分类的改进自适应贝叶斯算法,该算法减少了入侵检测中的积极错误。通过对标准数据测试集KDD99进行实验,证明了此方法在短应答时间里拥有极高的分类效率,而且只需要极少的计算资源来减少积极错误。     

改进贝叶斯分类算法在入侵检测中的研究

把朴素贝叶斯分类算法引入到入侵检测中，可以简单方便地区别出入侵事件。但是由于该算法在学习中存在一定的不足和缺陷，主要是属性值之间要求相互条件独立和训练集数据不完备这两个缺陷，导致了它的检测效果并不是很理想。文中针对该算法这两个最主要的缺陷，提出增量学习概念，引入损失幅度参数，改进和完善朴素贝叶斯分类算法。并对改进后的新学习策略进行了分析和研究，给出了其基本实现思想和算法描述，并指出它实现的可能性。     

改进贝叶斯分类算法在入侵检测中的研究

把朴素贝叶斯分类算法引入到入侵检测中,可以简单方便地区别出入侵事件。但是由于该算法在学习中存在一定的不足和缺陷,主要是属性值之间要求相互条件独立和训练集数据不完备这两个缺陷,导致了它的检测效果并不是很理想。文中针对该算法这两个最主要的缺陷,提出增量学习概念,引入损失幅度参数,改进和完善朴素贝叶斯分类算法。并对改进后的新学习策略进行了分析和研究,给出了其基本实现思想和算法描述,并指出它实现的可能性。     

基于改进朴素贝叶斯算法的入侵检测系统

随着互联网连通性的不断增强以及网络流量的日益增大,最近频繁发生的入侵事件再度凸显了入侵检测系统的重要性。针对朴素贝叶斯算法的缺陷,提出了一种改进后的朴素贝叶斯算法。该算法在原有的朴素贝叶斯模型基础上巧妙地引入属性加值算法,通过对分类参数的调控来实现简化分类数据复杂度的作用,并以计算出的最佳参数值来优化分类精确度。最后结合实验结果证明,在入侵检测框架中引入改进算法能够大幅度地降低入侵检测系统的误警率,从而提高系统的检测效率,减少网络攻击所带来的经济损失。     

一种改进的朴素贝叶斯算法在入侵检测中的应用

讨论了传统的朴素贝叶斯算法在入侵检测中的应用,指出了其存在的问题;针对该算法存在的问题,将遗传算法引入到该算法中,提出了一种改进的朴素贝叶斯算法。并对改进后的算法在KDD CUP 1999数据集上进行了实验。实验证明,改进后的算法能有效提高分类性能和效率。     

一种多层分类的入侵检测系统

信息安全是全球关注的重要话题。但Internet的复杂性、可访问性和开放性带来了日益增长的严重的信息系统安全的威胁。论文介绍了一种使用支持向量机和神经网络的入侵监测系统。主要思想是发现用以描述用户在系统上行为的模式与特征,用一系列相关的特征建立分类器去进行异常检测,希望能够实时地发现入侵。通过比较基于神经网络和支撑向量机的入侵检测系统,利用两者各自的优势,构造了一种新的入侵检测系统。     

基于深度学习的改进贝叶斯网络入侵检测算法

针对传统的朴素贝叶斯网络入侵检测技术存在训练数据集中属性冗余的问题,以及没有考虑到网络环境的变化导致贝叶斯网络结构改变的问题,提出一种结合深度学习和滑动窗口改进贝叶斯网络入侵检测方法。利用深度学习提取特征属性,降低数据集维数;采用滑动窗口技术实时更新贝叶斯网络参数,并利用特征属性的互信息计算各属性之间的相对欧氏距离,根据相对欧氏距离的大小及时更新贝叶斯网络,以提高检测率。实验结果表明,改进后的贝叶斯网络能够提高运算效率和检测率。