18、网络入侵检测中机器学习算法的比较评估

网络入侵检测中机器学习算法的比较评估

1. 引言

在主流计算机出现之前，数据安全就一直是至关重要的话题。近年来，越来越多的计算机接入互联网，并且相互联网，这增加了这些系统面临安全威胁的风险。

网络入侵可以简单定义为任何对计算机网络正常运行来说非法、未经授权、未获批准且不道德的活动。为了检测入侵，防御者必须清楚准确地了解攻击过程、其工作原理和渗透方式。通常，当发生网络入侵时，一些供授权用户使用的有价值的网络资源会被完全占用和破坏。因此，设计和部署一个高效的网络入侵系统来防止入侵者和黑客是非常必要的。

入侵检测系统可以简单定义为一个应用程序，它控制、监控、管理和引导网络系统，防止可能违反各种既定网络规则的恶意和未经授权的活动。网络入侵检测系统是一种入侵检测技术，它结合多个来源的输出，并使用不同的方法来检测这些活动，区分不需要的活动和真实的活动。许多工作都致力于开发高效的系统来检测和预测网络入侵。

在计算机框架发展的文献中，有一项值得注意的工作是提出了一种通过监控和统计分析系统记录审计来进行入侵检测的模型，前提是系统使用和应用出现异常情况。这种方法被称为基于误用的检测，它只能检测已知的攻击，而无法识别新的攻击。

2. 文献综述

从许多出版物（包括旧的和新的）中可以明显看出，在网络入侵领域已经进行了很多工作。在这部分，我们将回顾一些杰出研究人员的相关工作。
- 有人使用k - 均值聚类方法生成多个训练子集，采用神经模糊模型，最后使用径向SVM模型进行分类，在KDD Cup 99数据集上的实验结果表明，该方法在入侵检测率上优于反向传播和决策树机器学习算法。
- 有人提出了多类卡方特征选择方法，以将特征数量减