论文部分内容阅读
随着计算机技术的发展和推广，网络环境变的愈来愈复杂，如何保护计算机网络信息安全成为一个需要迫切解决的问题。入侵检测系统(IDS)是网络安全的首要研究内容，将支持向量机应用到入侵检测技术中的研究在实践上和理论上都取得了较好的成果，但就目前而言仍然存在训练时间过长、误报率高等问题，所以入侵检测技术仍值得我们深入研究和探讨。 本文将针对入侵检测误报率高的问题，把支持向量机引入到入侵检测技术中，将入侵检测当作分类问题来处理，提出一种基于分区过滤粒子群算法的支持向量机技术对入侵行为进行智能检测。通过对粒子群寻优区域进行分割过滤的方法对粒子群算法进行改进，对所提出的算法进行时间复杂度的分析，再对分区过滤粒子群算法和标准粒子群算法作四组测试实验，本文验证了分区过滤粒子群算法的可行性与稳定性。 本文所采用的实验数据是KDDCUP99的部分数据集。由于SVM仅能对数字数据进行识别，因此，本文在检测前要先对这些实验数据集进行预处理，生成可用于测试实验的数据集，之后用传统的SVM方法训练分类器、标准粒子群算法和分区过滤粒子群算法对SVM的惩罚因子C和核函数的参数σ进行寻优，将这三种方法寻找到的参数进行对比，结果表明由PFPSO-SVM得到的参数都优于由标准PSO-SVM和传统SVM得到的参数。 最后，本文用得到的SVM对入侵行为进行检测，根据对数据进行分类的方法来判断行为是否异常，通过MATLAB仿真图像对PSO-SVM和PFPSO-SVM的检测率进行对比，实验结果表明，PFPSO-SVM的平均检测率和最高检测率均高于标准PSO-SVM和传统SVM，具有更好的分类能力。