控制与决策

作者：刘金平,张五霞,唐朝晖,何捷舟,徐鹏飞

单位：湖南师范大学信息科学与工程学院，长沙410081;湖南师范大学计算与随机数学教育部重点实验室，长沙410081,,湖南师范大学信息科学与工程学院，长沙410081,,中南大学信息科学与工程学院，长沙410083,,湖南师范大学信息科学与工程学院，长沙410081,,湖南师范大学信息科学与工程学院，长沙410081,

关键词：入侵检测;高斯混合模型聚类;模式匹配;模糊粗糙集;信息增益;模式更新

基金：国家自然科学基金项目(61501183, U1701261, 61771492)；湖南省自然科学基金项目(2018JJ3349)；图像信息处理与智能控制教育部重点实验室(华中科技大学)开放基金项目(IPIC2017-03).

网络入侵方式已日趋多样化,其隐蔽性强且变异性快,开发灵活度高、适应性强的实时网络安全监测系统面临严峻挑战.对此,提出一种基于模糊粗糙集属性约简(FRS-AR)和GMM-LDA最优聚类簇特征学习(GMM-LDA-OCFL)的自适应网络入侵检测(ANID)方法.首先,引入一种基于模糊粗糙集(FRS)信息增益率的属性约简(AR)方法以实现网络连接数据最优属性集选择;然后,提出一种基于GMM-LDA的最优聚类簇特征学习方法,以获得正常模式特征库和入侵模式库的最优特征表示,同时引入模式库自适应更新机制,使入侵检测模型能够适应网络环境动态变化.KDD99数据集和基于Nidsbench的网络虚拟仿真实验平台的入侵检测结果表明,所提出的ANID方法能有效适应网络环境动态变化,可实时检测出真实网络连接数据中的各种入侵行为,其性能优于当前常用的入侵检测方法,应用前景广阔.

来源：2019年第2期

《控制与决策》期刊编辑部

查看控制与决策杂志2019年第2期