基于NBSR模型的入侵检测技术

计算机工程与科学

• 计算机网络与信息安全 • 上一篇下一篇

基于NBSR模型的入侵检测技术

朱世松，巴梦龙，王辉，申自浩

（河南理工大学计算机科学与技术学院，河南焦作 454000）

收稿日期:2019-09-02 修回日期:2019-10-23 出版日期:2020-03-25 发布日期:2020-03-25
基金资助:
国家自然科学基金（61300216）

An intrusion detection technology based on NBSR model

ZHU Shi-song，BA Meng-long，WANG Hui，SHEN Zi-hao

（School of Computer Science and Techology，Henan Polytechnic University，Jiaozuo 454000,China）

Received:2019-09-02 Revised:2019-10-23 Online:2020-03-25 Published:2020-03-25

摘要/Abstract

摘要：

为了更好地解决入侵检测技术中误用检测造成未知入侵行为误检率升高的问题，提出了一种基于NBSR模型的入侵检测技术。首先，为了弥补ReliefF特征选择算法对特征之间的相关性分析的不足，引入Pearson相关系数，提出Relieff-P算法。其次，利用Relieff-P算法对UNSW-NB15数据集进行处理，去除无关特征，得到新的特征子集。最后，将朴素贝叶斯分类器和Softmax回归分类器级联构成NBSR分类器，建立了NBSR模型。在UNSW-NB15测试集上的实验结果表明，NBSR模型较其他检测模型有较低的误检率。

关键词: 朴素贝叶斯, Softmax回归, 入侵检测系统, 误检率

Abstract:

In order to better solve the problem of increasing the false positive rate of unknown intrusion behaviors by misuse detection in intrusion detection technology, an intrusion detection technology based on NBSR model is proposed. Firstly, in order to compensate for the lack of correlation analysis between features by the ReliefF feature selection algorithm, the Pearson correlation coefficient is introduced and the Relieff-P algorithm is proposed. Secondly, the Relieff-P algorithm is used to process the UNSW-NB15 dataset to remove irrelevant features and obtain a new feature subset. Finally, the naive Bayes classifier and the Softmax regression classifier are cascaded to form the NBSR classifier, and NBSR model was established. The experimental results on the UNSW-NB15 test set show that the NBSR model has lower false positive rate than other detection models.

Key words: naive Bayes, Softmax regression, intrusion detection system, false positive rate

朱世松，巴梦龙，王辉，申自浩. 基于NBSR模型的入侵检测技术[J]. 计算机工程与科学.

ZHU Shi-song，BA Meng-long，WANG Hui，SHEN Zi-hao. An intrusion detection technology based on NBSR model[J]. Computer Engineering & Science.

[1]	李文丽. 基于朴素贝叶斯分类的网络谣言识别研究[J]. 计算机工程与科学, 2022, 44(03): 495-501.
[2]	黄浩淼, 张江, 张晶, 保峻嵘. 融合TLD框架的DSST实时目标跟踪改进算法[J]. 计算机工程与科学, 2020, 42(09): 1587-1598.
[3]	马刚，刘锋，朱二周. 一种基于改进的朴素贝叶斯算法的Android钓鱼网站检测方案[J]. 计算机工程与科学, 2018, 40(08): 1420-1428.
[4]	赵亮1,刘建辉2,张昭昭2. 基于贝叶斯距离的K-modes聚类算法[J]. 计算机工程与科学, 2017, 39(01): 188-193.
[5]	黄贤英,陈红阳,刘英涛,熊李媛. 一种新的微博短文本特征词选择算法[J]. J4, 2015, 37(09): 1761-1767.
[6]	马占飞1，尹传卓2. 基于ACE和SSL的Firewall与IDS联动系统研究[J]. J4, 2014, 36(08): 1486-1492.
[7]	林江豪1，阳爱民2，周咏梅2，陈锦3，蔡泽键2. 一种基于朴素贝叶斯的微博情感分类[J]. J4, 2012, 34(9): 160-165.
[8]	翁广安1，余胜生2，周敬利2. 改进的字节频度负载异常入侵检测方法[J]. J4, 2012, 34(7): 24-28.
[9]	林加润1，殷建平1，程杰仁1，2，龙军1，朱明1. 网络安全中多源传感器数据融合技术研究[J]. J4, 2010, 32(6): 30-33.
[10]	陈勤, 林朝炽, 徐明. 基于P2P的入侵警报发布/订阅系统[J]. J4, 2009, 31(12): 5-8.
[11]	冯锋. 移动Agent技术存入侵检测系统的应用研究冯锋[J]. J4, 2008, 30(9): 15-17.
[12]	郭文忠[1,2] 陈国龙[1] 陈庆良[1] 刘延华[1] 余轮[2]. 基于粒子群和人工免疫的混合入侵检测系统研究[J]. J4, 2007, 29(10): 4-6.
[13]	何慧[1,2] 苏一丹[2,3] 覃华[2]. 基于信息增益的贝叶斯入侵检测模型优化的研究[J]. J4, 2006, 28(6): 38-40.
[14]	温常君王文杰. IDS中规则匹配动态调整法的分析与改进[J]. J4, 2006, 28(3): 136-138.
[15]	曹忠升李晶. 安全数据库系统中在线人侵检测的设计与实现[J]. J4, 2005, 27(9): 16-18.

基于NBSR模型的入侵检测技术

An intrusion detection technology based on NBSR model

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价