基于子空間學習的概念漂移異常檢測算法研究.pdf

1、互聯(lián)網(wǎng)的環(huán)境越來越復雜，其安全性早已成為關注點。一個在網(wǎng)絡中發(fā)生的惡意攻擊或異常，往往會給人們帶來巨大的損失。在這樣一個大背景下，網(wǎng)絡入侵異常檢測系統(tǒng)(IDS)應運而生。而網(wǎng)絡數(shù)據(jù)的實時性和大規(guī)模性給異常檢測算法提出了很大的考驗，這就要求異常檢測算法具有很高的檢測效率。
　　數(shù)據(jù)流挖掘已經(jīng)成為數(shù)據(jù)挖掘領域的一個熱點問題，而概念漂移是解決數(shù)據(jù)流挖掘問題的重要手段。本文通過概念漂移方法，對網(wǎng)絡數(shù)據(jù)進行異常檢測。工作如下：
　　(

2、1)基于子空間學習的ARLDA概念漂移方法，應用投影方差和投影余弦進行概念漂移判定。這種方法的優(yōu)點是在對數(shù)據(jù)進行降維的同時，進行了概念漂移的檢測，提高了檢測算法運行的效率。該算法在不漂移的情況下，沿用前一個數(shù)據(jù)流的檢測模型。由于網(wǎng)絡攻擊數(shù)據(jù)流的不確定性，使得這種策略選擇，相對于不漂移算法，具有了一定的隨機性。因此本文改進了在不發(fā)生漂移時的策略選擇，即選取第一個策略的檢測模型，提高了檢測效果。
　　(2) ARLDA框架在判定已經(jīng)發(fā)

3、生概念漂移后，采用當前數(shù)據(jù)流的10%作為訓練集，對數(shù)據(jù)流中其他數(shù)據(jù)進行分類。而在實際生產(chǎn)環(huán)境中，必須對當前數(shù)據(jù)流做出實時判斷，更不可能獲得10%數(shù)據(jù)的標簽。因此，用于分類的數(shù)據(jù)模型必須是之前訓練的model和映射矩陣。本文提出了基于特征值概念集的概念漂移算法，通過計算特征值向量的距離，在特征值概念集中選取檢測模型。在這個算法框架中，數(shù)據(jù)流會選擇特征值最相似的歷史數(shù)據(jù)流的檢測模型進行檢測，使得模型選取更加有目的性，提高了檢測效果。