基于空间降维和多核支持向量机的网络入侵检测

田桂丰，单志龙，廖祝华，王煜林

(1.广州理工学院 计算机科学与工程学院，广东 广州 510540；2.华南师范大学 计算机学院，广东 广州 510631；3.湖南科技大学 计算机科学与工程学院，湖南 湘潭 411103)

随着互联网的高速发展，接入网络的节点数不断增加，网络服务也随之逐渐增多，特别是金融、社交和电商类服务的增加，安全问题成为网络服务需要大力发展的基础保障[1]。网络入侵检测能够有效发现网络中的隐藏攻击，并能分辨出攻击类型，从而为网络安全决策提供有力保障。对于网络数据包的安全检查，可以采用安全规则匹配的方式来完成；但是无法满足大规模数据和实时性高的网络入侵检测要求，因此更高效的入侵检测算法成为入侵检测技术的研究热点。

近年来，关于网络入侵检测技术的研究较多，张宝华等[2]采用支持向量机(support vector machine，SVM)与遗传算法相结合的模式进行网络入侵检测，改善了SVM算法的迭代效率，降低了网络入侵的检测时间，但检出率并不高。陈红松等[3]采用循环神经网络方法用于无线网络的网络入侵检测，通过多次训练有效提高了网络攻击检出准确度，但也带来了较大的虚警报率。夏景明等[4]采用仿生算法与深度置信网络结合方法进行大规模网络入侵检测，表现出了良好的网络入侵检测率，但检测时间较长。在这些研究中，有的算法虽然网络入侵检出率较高，但存在检测效率不高的问题。部分算法的网络入侵检出率高，但误报率也高，需要不断优化入侵检测算法。……