支持向量机算法及其在网络入侵检测中的应用

支持向量机作为一种新的机器学习方法,是近40年统计学习理论研究成果的结晶,具有训练样本少、推广能力好、全局最优以及广泛的适用性等优点,已被应用于模式识别、信号处理、控制系统等多个领域,并取得极好的效果。此外,通过选择或设计不同的核函数,支持向量机还可被用来产生各种机器学习网络,如RBF网络,FF神经网络等。支持向量机克服了在使用其它学习方法时遇到的一些问题,如局部最优、参数复杂、结果不稳定等。由于支持向量机潜在的应用价值,吸引了国际上众多的知名学者,出现了很多发展和改进的支持向量机。如自适应支持向量机、模糊支持向量机、加权支持向量机,超球面支持向量机等。 随着计算机网络规模的扩大及网络攻击行为的泛滥,网络安全成为一个倍受关注的焦点,并成为国家安全的重要组成部分。入侵检测作为保护网络安全的重要的技术手段,正受到越来越多的网络用户及网络安全研究人员的青睐。在交通运输领域,入侵检测系统同样具有重大的应用价值。以计算机网络为基本框架的智能运输系统、船舶信息管理系统、船舶监控系统等信息系统,虽然其所存储的信息可能不涉及国家机密,但其网络的安全直接关系到系统运行是否可靠,进而关系到车辆运输、船舶航行的安全。 入侵检测实质上是一个模式识别问题,利用支持向量机进行建模,不仪可以解决在建立入侵检测模型时因无法收集所有入侵样本而导致的模型推广性能差的问题,而且可以提高入侵检测检测率,降低漏报率和误报率,提高入侵检测系统的实用性。 本文详细研究了支持向量机的理论,分析了当前一些支持向量机算法的性能,指出了存在的缺陷,并提出了四种新的算法。另外,本文还研究了入侵检测的基本理论,并根据入侵检测和支持向量机的特点,提出了一种组合式并行入侵检测模型。 本文的创新性研究工作包括: (1) 针对C-SVM和v-SVM的错误偏差问题和对重要样本存在的错分问题,提出两种具有类加权利样本加权功能的支持向量机算法,并分析了它们的分类性能。C-SVM和v-SVM在训练时的分类错误率倾向于较小的样本类,即较小样本