26、模糊模型调优在入侵检测与信任评估中的应用

模糊模型调优在入侵检测与信任评估中的应用

在当今的网络环境中，安全问题至关重要。入侵检测系统和分布式系统中的信任评估是保障网络安全的重要手段。本文将介绍模糊模型调优在入侵检测系统中的应用，以及一种基于声誉的信任模型 PATROL - F 及其模糊子系统。

入侵检测系统的模糊模型调优

在入侵检测系统中，模型的调优是提高检测准确性的关键。当发现分类器的错误预测时，需要对其进行调优。然而，用户手动识别错误预测的时间不能忽略，在这段时间内，后续的数据仍由原始分类器进行预测。

• 原始分类器的预测情况 ：原始分类器可能对后续的 t 个数据都做出错误预测，也可能对部分数据做出正确预测。如果原始分类器能对所有 t 个后续数据做出正确预测，那么可能不需要调优分类器，或者调优程度因子 p 应较高，q 应较小，以降低负调优的风险；反之，如果原始分类器对后续数据几乎没有或只有很少的正确预测，那么 p 可以较低，q 可以较高，以减少错误预测。
• 覆盖模式的利用 ：由于在模型调优时难以知道原始分类器对后续 t 个数据能做出多少正确预测，因此预测引擎可以记录滑动窗口内数据的覆盖模式，并与模型调优器共享这些记录。覆盖模式记录了每个规则是否覆盖输入数据，通过共享的模式记录可以计算覆盖模式的比率。如果某个覆盖模式的比率较高，说明相关规则共同导致错误预测的可能性较大，调优这些规则时 p 可以较低，q 可以较高；反之，比率较低时，p 可以较高，q 可以较小。

例如，在一个由最多 52 条规则组成的二元分类器系统中，使用 64 位联合来保存每个数据的覆盖模式。如果一个分类器的规则