基于JRNB的网络入侵检测算法*

侯占伟, 李建鹏, 王 辉

(河南理工大学 计算机科学与技术学院,河南 焦作 454000)

0 引 言

目前，在大数据环境下基于数据挖掘的算法在入侵检测中的应用逐渐成为研究的热点[1]。其中常用的算法有决策树算法C4.5[2]、极限学习机(extreme learning machine,ELM)[3]、人工神经网络(artificial neural network,ANN)[4]、朴素贝叶斯(naïve Bayesian,NB)[5]、支持向量机(support vector machine,SVM)[6]等。NB分类模型以贝叶斯定理为基础，并假设特征条件独立，即用于分类的各个特征在类别确定的情况下都是条件独立的。这一假设使得NB分类模型具有容易实现、训练学习时间较短、预测效率稳定的特点，但同时该假设也带来了局限性[6]，它使属性间的依赖关系无法体现，这与互联网中数据具有的复杂关系并不相符，因而在一定程度上牺牲了分类的准确率，表现出对网络行为预测能力较差的缺点。因此众多学者针对这一算法缺陷对其进行各种方式的改进，以改善分类效果。

Chen Z G等人[7]提出利用决策树扩展NB的入侵检测算法，并结合特征简化技术来获得极大后验概率，提高了分类的准确率。但该算法在校验数据的过程中会产生大量伪数据，具有对分类产生干扰的缺点。Koc L等人[8]在入侵检测中利用隐朴素贝叶斯(hidden naive Bayesian,HNB)算法，在NB的基础之上对每一个属性节点添加一个隐藏的父节点，以此来体现属性间的关联关系，减少属性间独立性假设带来的影响，进而提高了分类精度。但在关系网络具有多重属性时，此算法的分类效率表现较低。董立岩等人[9]提出一种半监督式学习的NB(semi-supervised naive Bayesian,SNB)算法，该算法通过利用置信度来选取取无标签训练集中的子集，再结合带标签的样本，不断迭代直至完成训练。……