基于支持向量机的入侵检测算法研究PDF电子书下载

第1章 入侵检测基础 1

1.1研究背景 1

1.2计算机安全及关键技术 2

1.2.1计算机安全概念 2

1.2.2常见的安全威胁 2

1.2.3网络安全关键技术 3

1.3入侵检测技术研究概述 7

1.3.1入侵检测发展历程 7

1.3.2通用入侵检测模型 9

1.3.3异常检测与误用检测 10

1.4入侵检测的发展趋势 12

1.4.1软计算方法 12

1.4.2机器学习和数据挖掘方法 13

1.4.3人工免疫系统 13

1.4.4基于代理的检测系统 14

1.5本章小结 15

第2章 支持向量机 23

2.1机器学习的基本问题 24

2.1.1学习问题的表示 24

2.1.2经验风险最小化原理 25

2.1.3经验风险最小化与过学习 25

2.2统计学习理论 26

2.2.1学习过程的一致性理论 27

2.2.2 VC维与泛化能力的界 29

2.2.3结构风险最小化原理 30

2.3支持向量机理论 31

2.3.1最优化理论基础 31

2.3.2线性支持向量机 34

2.3.3核函数方法 37

2.4本章小结 41

附录：支持向量机的研究进展 42

第3章 支持向量机的误差分解和参数选择研究 61

3.1误差分解理论与支持向量机学习 61

3.1.1误差分解理论 61

3.1.2支持向量机的偏差-方差分析 64

3.2核参数与入侵检测性能 68

3.2.1 KDD入侵检测基准数据集 68

3.2.2核参数选择对入侵检测性能的影响 69

3.3本章小结 72

附录1支持向量机的参数选择方法 72

附录2 KDD CUP 99数据描述 79

第4章 基于不同特征提取的入侵检测研究 84

4.1基于PCA与ICA特征提取的入侵检测集成分类系统 85

4.1.1基于PCA与ICA的入侵检测集成分类系统模型 85

4.1.2集成分类系统的子分类器构造方法 86

4.1.3子分类器对系统性能的影响研究 87

4.1.4核参数对支持向量机学习性能的影响研究 88

4.2集成分类系统的增量式学习算法 92

4.2.1算法描述 92

4.2.2入侵检测问题的增量式学习性能研究 93

4.3漏警与误警损失的多目标优化研究 96

4.3.1入侵检测的不均衡损失问题 96

4.3.2漏警与误警的Pareto多目标优化算法 97

4.3.3仿真实验及分析 98

4.4本章小结 100

第5章 嵌入式支持向量机特征选择算法研究 103

5.1特征选择方法 103

5.2基于数据的SVM嵌入式特征选择模型 107

5.2.1预备知识 107

5.2.2 SVM嵌入式特征选择模型 110

5.3一种基于数据的SVM上界误差估计 111

5.3.1 F1（K）的计算 111

5.3.2 F2（K）的计算 112

5.4一种新的SVM嵌入式特征选择算法 119

5.5仿真实验及分析 120

5.5.1分类误差的光滑化处理 120

5.5.2仿真实验及分析 121

5.6本章小结 124

第6章 基于负相关学习的支持向量机集成算法 126

6.1集成学习 127

6.1.1集成学习方法分类 127

6.1.2 Bagging和Boosting方法 131

6.2基于负相关学习的支持向量机集成算法 134

6.2.1支持向量机集成的困难性 134

6.2.2负相关学习的理论分析 134

6.2.3负相关学习支持向量机集成算法的实现 137

6.3仿真实验及分析 138

6.3.1人工数据集的实验和分析 138

6.3.2人侵检测问题的实验和分析 141

6.4本章小结 143

第7章 基于免疫多样性的入侵检测研究 149

7.1人工免疫原理 150

7.1.1免疫学的概念和基本原理 150

7.1.2免疫系统的特征及对入侵检测的借鉴意义 151

7.2一种新的基于免疫思想的入侵检测工作结构 152

7.3基于免疫多样性的入侵检测算法 153

7.3.1免疫多样性的定义 153

7.3.2亲和度函数 155

7.3.3抗体表达方式——随机子空间法 155

7.3.4基于免疫多样性的入侵检测算法 156

7.4仿真实验及分析 157

7.5本章小结 159

第8章 总结与展望 162