树突细胞算法数据预处理技术研究
发布时间:2025-05-07 22:45
目前,随着网络攻击越来越猛烈,网络安全技术得到了人们广泛关注。入侵检测是一种提供主动防御攻击的技术,得到越来越多的关注。特别是近几年人工免疫系统的研究,应用到计算机领域,给入侵检测系统的研究带来了新的启发。但是传统的人工免疫系统大多建立在“自我和非我”的基础上,存在着自体集过大、难以区分自我和非我的缺陷,随着危险理论的提出很好的弥补了这个缺陷。而建立在危险理论基础上的树突细胞算法(Dendritic Cell Algorithm DCA)由于不需要大量训练样本、简单方便、容易实现等优点,在入侵检测技术的研究领域得到了专家的青睐。它独特的生物特性,如自适应性、鲁棒性、耐受性等,正是入侵检测系统所需要的,所以把树突细胞算法应用到入侵检测系统中可以更好的保护计算机安全。 由于来自网络的数据具有高维、复杂、大量冗余、属性缺失、不完整等特征。而一般成熟的算法对输入数据都有一定的要求,比如输入数据干净、完整、维度低等,所以需要对数据进行预处理,然而目前基于树突细胞算法的入侵检测系统对数据的预处理大都采用较为简单的处理技术,不仅费时费力,而且往往难以实现。因此实现树突细胞算法的数据自动预处理就显得...
【文章页数】:65 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
目录
插图或附表清单
注释说明清单
引言
1 绪论
1.1 问题提出的背景及意义
1.2 国内外研究现状
1.2.1 入侵检测发展现状
1.2.2 树突细胞算法研究现状
1.2.3 数据预处理发展现状
1.3 本文的主要工作
1.4 本文结构安排
2 基于人工免疫理论的入侵检测系统
2.1 入侵检测系统分类
2.2 现有入侵检测存在的不足
2.3 侵检测技术发展趋势
2.4 入侵检测系统的数据预处理
2.5 人工免疫在入侵检测中应用
2.5.1 人工免疫系统概述
2.5.2 人工免疫系统主要算法
2.5.3 人工免疫系统与入侵检测
2.5.4 人工免疫系统新发展
2.6 本章小结
3 树突细胞算法在入侵检测中的应用
3.1 生物免疫机制简介
3.2 树突细胞算法简述
3.3 DCA算法的输入表示
3.3.1 抗原表示
3.3.2 信号的选择和分类
3.4 DCA算法对输出信号的处理
3.5 抗原异常程度的表示
3.6 本章小结
4 DCA算法的数据预处理研究
4.1 维数约简
4.1.1 维数约简概述
4.2.2 数据降维方法分类
4.2 特征选择
4.3 特征提取
4.3.1 主成分分析法
4.3.2 信息增益法
4.3.3 相关系数法
4.4 集成PCA与DCA的数据预处理方法
4.5 本章小结
5 实验与结果分析
5.1 实验用数据集介绍
5.2 实验评价标准
5.3 自动数据预处理的实验与性能分析
5.3.1 基于KDD CUP 99中10%子集的特征提取
5.3.2 对特征集合进行规范化处理
5.3.3 执行PCA算法
5.3.4 集成PCA的DCA算法
5.3.5 检测率和误报率分析
5.4 本章小结
6 结论
参考文献
致谢
作者简介及读研期间主要科研成果
本文编号:4043911
【文章页数】:65 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
目录
插图或附表清单
注释说明清单
引言
1 绪论
1.1 问题提出的背景及意义
1.2 国内外研究现状
1.2.1 入侵检测发展现状
1.2.2 树突细胞算法研究现状
1.2.3 数据预处理发展现状
1.3 本文的主要工作
1.4 本文结构安排
2 基于人工免疫理论的入侵检测系统
2.1 入侵检测系统分类
2.2 现有入侵检测存在的不足
2.3 侵检测技术发展趋势
2.4 入侵检测系统的数据预处理
2.5 人工免疫在入侵检测中应用
2.5.1 人工免疫系统概述
2.5.2 人工免疫系统主要算法
2.5.3 人工免疫系统与入侵检测
2.5.4 人工免疫系统新发展
2.6 本章小结
3 树突细胞算法在入侵检测中的应用
3.1 生物免疫机制简介
3.2 树突细胞算法简述
3.3 DCA算法的输入表示
3.3.1 抗原表示
3.3.2 信号的选择和分类
3.4 DCA算法对输出信号的处理
3.5 抗原异常程度的表示
3.6 本章小结
4 DCA算法的数据预处理研究
4.1 维数约简
4.1.1 维数约简概述
4.2.2 数据降维方法分类
4.2 特征选择
4.3 特征提取
4.3.1 主成分分析法
4.3.2 信息增益法
4.3.3 相关系数法
4.4 集成PCA与DCA的数据预处理方法
4.5 本章小结
5 实验与结果分析
5.1 实验用数据集介绍
5.2 实验评价标准
5.3 自动数据预处理的实验与性能分析
5.3.1 基于KDD CUP 99中10%子集的特征提取
5.3.2 对特征集合进行规范化处理
5.3.3 执行PCA算法
5.3.4 集成PCA的DCA算法
5.3.5 检测率和误报率分析
5.4 本章小结
6 结论
参考文献
致谢
作者简介及读研期间主要科研成果
本文编号:4043911
本文链接:https://www.wllwen.com/guanlilunwen/ydhl/4043911.html