一種新的基于數(shù)據(jù)挖掘技術(shù)的異常入侵檢測(cè)系統(tǒng)研

⑤if W={異常}重復(fù)②、③、④ //對(duì)滑動(dòng)時(shí)間窗口得到數(shù)據(jù)規(guī)則集進(jìn)行數(shù)據(jù)評(píng)估；
L=W //每次檢測(cè)結(jié)果提交決策列表以供用戶決策；
5 實(shí)驗(yàn)分析
數(shù)據(jù)參考MIT林肯實(shí)驗(yàn)的DARPA 1999年評(píng)測(cè)數(shù)據(jù)集。由于數(shù)據(jù)信息自身的復(fù)雜性，需要對(duì)數(shù)據(jù)信息進(jìn)行多次訓(xùn)練以降低數(shù)據(jù)噪音的影響。在本實(shí)驗(yàn)中對(duì)ANEIDSDM算法進(jìn)行模擬測(cè)試分為兩個(gè)階段:
(1)為數(shù)據(jù)訓(xùn)練階段：首先收集數(shù)據(jù)信息，依此數(shù)據(jù)信息對(duì)其抽取特征主屬性，挖掘高頻度數(shù)據(jù)項(xiàng)集和低頻數(shù)據(jù)項(xiàng)集，對(duì)高頻數(shù)據(jù)項(xiàng)集進(jìn)行數(shù)據(jù)模式集，對(duì)數(shù)據(jù)模式集進(jìn)行數(shù)據(jù)挖掘，形成數(shù)據(jù)規(guī)則集，最后對(duì)數(shù)據(jù)規(guī)則集進(jìn)行分類，形成標(biāo)準(zhǔn)規(guī)則庫(kù)。實(shí)驗(yàn)時(shí)分為3個(gè)階段收集，實(shí)現(xiàn)3次訓(xùn)練，如表1所示。

(2)數(shù)據(jù)模擬檢測(cè)階段：對(duì)待測(cè)數(shù)據(jù)信息進(jìn)行數(shù)據(jù)規(guī)則集的挖掘，根據(jù)與標(biāo)準(zhǔn)規(guī)則庫(kù)中分類規(guī)則集的相似度對(duì)比，快速分類，通過在線滑動(dòng)窗口和匹配檢測(cè)方法，對(duì)數(shù)據(jù)信息進(jìn)行異常入侵檢測(cè)。若屬于異常信息，則進(jìn)行預(yù)警。實(shí)驗(yàn)時(shí)通過對(duì)7種常見攻擊類型的模式進(jìn)行異常入侵檢測(cè)，如表2所示。

　 通過模擬攻擊實(shí)驗(yàn)表明，數(shù)據(jù)信息經(jīng)過ANEIDSDM入侵檢測(cè)能夠很好地檢測(cè)異常數(shù)據(jù)信息，其誤警率和檢測(cè)率都有了明顯的提高。本實(shí)驗(yàn)同時(shí)可以有效地提高入侵檢測(cè)系統(tǒng)的檢測(cè)速度。
本文針對(duì)現(xiàn)有異常入侵檢測(cè)系統(tǒng)存在的問題，建立了一種新的基于數(shù)據(jù)挖掘技術(shù)的異常入侵檢測(cè)系統(tǒng)模型。該模型包括數(shù)據(jù)采集、數(shù)據(jù)分析、數(shù)據(jù)評(píng)估、事件響應(yīng)等一系列檢測(cè)過程，利用多次訓(xùn)練、滑動(dòng)窗口、規(guī)則分類和相似度匹配思想，大大降低了系統(tǒng)的誤警率，提高了檢測(cè)速度，提升了檢測(cè)率，增強(qiáng)了網(wǎng)絡(luò)系統(tǒng)的安全性能。
參考文獻(xiàn)
[1] VERWORD T，HUNT R． Intrusion detection techniques and approaches[J]．Computer Communication，2002，25(15): 1356．1365．
[2] LANE T． Machine learning techniques for the computer security domain of anomaly detection[D]． Purdue University，2000．
[3] MUKKAMALA S， SUNG A H，ABRAHAM A． Intrusion detection using all ensemble of intelligent paradigms[J]．Journal of Network and Computer Application,2005，28(2)：167-182．
[4] 呂志軍，袁衛(wèi)忠，仲海駿,等. 基于數(shù)據(jù)挖掘的異常入侵檢測(cè)系統(tǒng)研究[J].計(jì)算機(jī)科學(xué)，2004，31(10)：61-65.
[5] 田新廣，李文法，段σ,等. 基于數(shù)據(jù)挖掘和變長(zhǎng)序列模式匹配的程序行為異常檢測(cè)[J].信號(hào)處理，2008，24(4)：521-555.
[6] 凌軍，曹陽(yáng)，尹建華,等. 基于時(shí)態(tài)知識(shí)模型的網(wǎng)絡(luò)入侵檢測(cè)方法研究[J].計(jì)算機(jī)學(xué)報(bào)，2003，26(11)：1591-1597.
[7] 楊向榮，宋擒豹，沈鈞毅,等. 基于數(shù)據(jù)挖掘的智能化入侵檢測(cè)系統(tǒng)[J].計(jì)算機(jī)工程，2001，27(9)：17-102.
[8] BARFORD P，HIINE J，PLONKA D，et al． A signal analysis of network traffic anomalies[J]．Internet Measurement Workshop，2002，7:1-82．
[9] YE N， LI Xiang Yatig，CHEN Qiang． Probabilistic techniques for intrusion detection based on computer audit data[J]． Man and Cybernetics，Part A，IEEE Transactions on 2001：31(4)：266-274．
[10] YE N，EMRAN S M，CHEN Q, et a1． Multivariate statistical analysis of audit trails for host-based intrusion detection[J]．IEEE Transactions on Computers，2002，51(7)：810-820．
[11] OH S H，LEE W． A clustering based anomaly intrusion detection for a host computer[J]．IEICE Transactions on In．formation and Systems，2004，E87-D(8)：2086-2094．
[12] HOFMEYR S A，F(xiàn)ORREST S，SOMAYAJI A． Intrusion detection using sequences of system calls[J]． Journal of Computer Security，1998(6)：151-180．
[13] LANE T，CARLA E B． An empirical study of two approaches to sequence learning for anomaly detection[J]．Machine Learning，2003，51(1)：73-107．