9、基于卡方特征选择和改进朴素贝叶斯分类器的入侵检测模型

基于卡方特征选择和改进朴素贝叶斯分类器的入侵检测模型

1. 引言

随着互联网的迅猛发展，黑客攻击和入侵事件日益增多。入侵检测系统（IDS）通过监控网络活动，保障系统免受网络攻击。其核心在于运用高效的分类技术，区分网络数据中的正常与异常行为。然而，构建 IDS 面临着大规模数据聚类和分类管理的挑战，许多现有 IDS 在应对新型攻击或变化的环境时存在困难。

机器学习方法为入侵检测带来了新的解决方案，常见的有支持向量机、遗传算法、神经网络、K - 近邻、粗糙集理论、朴素贝叶斯和决策树等。这些方法使 IDS 能够通过分析活动数据自动学习行为模式，主要步骤包括：
1. 从网络捕获数据包；
2. 提取描述网络连接的最优特征集；
3. 学习描述正常和异常活动行为的模型；
4. 利用学习到的模型识别入侵。

本文假定第一步已完成，数据已准备就绪。其重要贡献在于：
1. 提出一种混合模型，将基于排名的特征选择与改进的朴素贝叶斯分类器相结合，以降低分类的计算任务；
2. 减少训练数据量，并允许在训练阶段动态添加新数据。

2. 相关工作

IDS 是网络系统的关键组成部分。恶意攻击对网络的影响愈发严重，因此需要更有效的解决方案来识别这些攻击。朴素贝叶斯因其模型复杂度低，能快速识别类别标签，成为许多研究人员的选择。

此前，有研究将朴素贝叶斯与决策表技术集成，也有提出将朴素贝叶斯分类器与决策树结合的自适应网络入侵检测算法。这些模型通过使用平衡数据集减少误报，消除训练数据中的冗余属性和矛盾示例，避免构建复杂的检测模型，同时解决了数据挖掘技术在处理连续属性、缺失属性值和减少训练数据噪声等方面