基于属性分类建模的入侵检测方法

王加梁

(四川旅游学院 基建处，四川 成都 610100)

0 引 言

随着网络入侵现象的加剧，如蠕虫病毒、DDoS等网络攻击造成了十分恶劣的影响，也让信息安全成为社会关注的焦点[1]。为使系统资源免受网络攻击的威胁，网络安全专家提出了防火墙、用户认证、入侵检测系统(intrusion detection system，IDS)等解决方案。

IDS是网络安全系统的重要组成部分，实现判断和识别非授权访问、数据更改、信息摧毁[2]等功能，也被认为是继防火墙后的“第2个安全门”[3]。但网络攻击方和防御方在技术、成本、时间上都存在严重的不对等，使得现有的入侵检测系统无法防御所有攻击，只能通过提升性能最大限度地对网络攻击进行防御。

流量数据由多种属性组合表示，IDS的检测机理是将数据各属性通过机器学习方法构建成检测模型，待检测流量数据通过检测模型后将会被判定为正常或异常。随着机器学习模型和优化方法的改进提升，入侵检测效率大幅提高，但始终存在：①不关注数据特征表示而使得具有代表性的特征未得到有效挑选；②为提高精确度将机器学习算法任意结合而引起时间复杂度高等问题。随着深度学习的深入研究和计算能力的不断提升，常通过“硬件加速+深度学习”的方式自动且快速地学习数据特征，提升了IDS性能，但也出现了过程不可解释以及数据依赖等问题。

1 相关研究

入侵检测的概念由Anderson[4]提出，入侵检测系统的设计灵感则源自20世纪80年代提出的通用入侵检测系统框架,该框架收集网络中各节点关键信息进行分析以识别网络中存在的恶意活动，做出响应并采取相应措施[5]。……