基于支持向量机的信息安全风险评估

被引：39

作者：

党德鹏

孟真

机构：

[1] 北京师范大学信息科学与技术学院

来源：

华中科技大学学报(自然科学版) | 2010年 / 38卷 / 03期

关键词：

支持向量机; 网络安全; 信息安全; 风险评估; 特征空间; 核函数;

D O I：

10.13245/j.hust.2010.03.026

中图分类号：

TP309 [安全保密];

学科分类号：

081201 ; 0839 ; 1402 ;

摘要：

针对信息安全风险评估中训练数据数目少、方法主观性大、求解最优值困难等问题,提出了基于支持向量机(SVM)的信息安全风险评估方法.与传统学习方法相比,SVM分类器对小样本测试环境的适应能力强,具有较好的分类准确率,能有效防止过学习.通过分析影响信息系统安全的主要因素,结合支持向量机思想,设计并实现了基于支持向量机的信息安全风险评估模型,通过多类核函数构造出不同的分类面以及分类函数,然后对样本数据进行测试,最终得到问题的最优分类解.

引用

页码：46 / 49

页数：4

共 9 条

[1] 基于模板匹配和SVM的草图符号自适应识别方法 [J].

姜映映 ;

田丰 ;

王绪刚 ;

戴国忠 .

计算机学报, 2009, 32 (02) :252-260

[2] 基于二层SVM多分类器的桩基缺陷诊断 [J].

康维新 ;

彭喜元 .

电子学报, 2008, 36(S1) (S1) :66-70

[3] 基于支持向量机的人脸检测训练集增强 [J].

王瑞平 ;

陈杰 ;

山世光 ;

陈熙霖 ;

高文 .

软件学报, 2008, (11) :2921-2931

[4] SVM+BiHMM:基于统计方法的元数据抽取混合模型 [J].

张铭 ;

银平 ;

邓志鸿 ;

杨冬青 .

软件学报, 2008, (02) :358-368

[5] 信息安全风险评估综述 [J].

冯登国 ;

张阳 ;

张玉清 .

通信学报 , 2004, (07) :10-18

[6] 针对大规模训练集的支持向量机的学习策略 [J].

李红莲 ;

王春花 ;

袁保宗 ;

朱占辉 .

计算机学报, 2004, (05) :715-719

[7]

Application of support vector machine to predict fault prone classes[J] . Yogesh Singh,Arvinder Kaur,Ruchika Malhotra.ACM SIGSOFT Software Engineering Notes . 2009 (1)

[8]

Information security:the moving target .2 Dlamini M T,Eloff J HP,Eloff M M. Computers&Secu-rity . 2009

[9]

Stopping conditions for exact computation of leave-one-out error in sup-port vector machines .2 Franc V,Lsakov P,Miiller K R. ACM Proceedings of the25th International Conference on Machine Learning . 2008

← 1 →