入侵檢測算法及關鍵技術研究.pdf

1、隨著計算機網(wǎng)絡的迅猛發(fā)展，如何確保網(wǎng)絡信息的安全性已成為日益嚴峻的課題。入侵檢測技術通過實時監(jiān)視系統(tǒng)中的審計記錄或網(wǎng)絡數(shù)據(jù)流來發(fā)現(xiàn)入侵，作為一種主動的信息安全保障措施，入侵檢測技術越來越受關注。 入侵檢測技術分為異常檢測和誤用檢測兩大類。本文分別針對異常檢測和誤用檢測技術中存在的問題，研究了其改進方法，并提出一種分布式漏洞掃描與入侵檢測協(xié)作系統(tǒng)模型。 論文首先介紹了入侵檢測技術的研究現(xiàn)狀和發(fā)展趨勢，對目前常用的入侵檢測技

2、術和方法進行了歸類和分析，同時比較了各種入侵檢測方法的優(yōu)勢和不足，指出了入侵檢測技術存在的問題。 針對異常檢測技術存在計算量大、訓練時間長、在小樣本情況下分類精度低的問題，論文提出將支持向量機(SVM)主動學習方法運用于入侵檢測，通過SVM在訓練過程中主動挑選學習樣本，從而有效地減少訓練樣本數(shù)量，縮短訓練時間。該檢測方法解決了異常檢測中大量訓練樣本集獲取困難的問題，通過實驗證明，與SVM被動學習方法相比，該檢測方法有效地提高了S

3、VM的訓練速度，在小樣本的情況下，獲得了更好的檢測精度。 樣本集中的冗余特征不僅占用了大量的存儲空間、而且會影響SVM 的分類精度。論文提出了一種將粗糙集與SVM結(jié)合的入侵檢測方法。采用基于粗糙集理論的特征約簡算法，對提取的網(wǎng)絡特征進行精簡后，再通過SVM進行分類訓練。采用粗糙集理論進行特征約簡，與通過SVM對特征的重要性進行排序以獲得關鍵特征的方法相比，不僅計算量小，面且克服了特征重要度衡量指標制定過程中的主觀性。實驗證明，該

4、方法能有效地提高SVM的檢測效率，大幅減少樣本的存儲空間。 模式匹配是目前入侵檢測系統(tǒng)中普遍采用的一種誤用檢測方法，針對模式匹配方法存在的匹配速度慢、誤報率較高、模型庫動態(tài)更新難等問題，論文提出了一種新的漏洞掃描與入侵檢測系統(tǒng)協(xié)作機制，入侵檢測系統(tǒng)可以根據(jù)漏洞掃描的結(jié)果，將入侵模式庫中與已得到修補的安全漏洞相關的攻擊特征刪除；同時還可根據(jù)漏洞庫更新結(jié)果，動態(tài)增加新發(fā)現(xiàn)漏洞的攻擊特征。該方法不僅能大幅度縮小模式庫規(guī)模，有效縮短模式

5、匹配時間，降低系統(tǒng)誤報，而且還可實現(xiàn)模式庫的動態(tài)更新。另一方面漏洞掃描系統(tǒng)也可以根據(jù)IDS傳送的報警信息，對某些主機或網(wǎng)絡服務進行特定的掃描，針對發(fā)現(xiàn)的攻擊，及時查找、修補相關安全漏洞。通過漏洞掃描與入侵檢測系統(tǒng)的協(xié)作，可以有效地提高IDS檢測效率，增強系統(tǒng)的整體防御能力。針對該協(xié)作機制，論文提出了一種分布式漏洞掃描與入侵檢測協(xié)作系統(tǒng)模型，系統(tǒng)通過各掃描節(jié)點和檢測節(jié)點之間的協(xié)同工作，共同完成系統(tǒng)安全脆弱性評估及防范針對系統(tǒng)的入侵行為。該