基於支援向量機的入侵檢測算法研究（簡體書）

《基于支持向量機的入侵檢測算法研究》系統地介紹了人侵檢測系統的基本概念與檢測技術，對入侵檢測的核心技術——檢測算法進行了深入、系統地研究。主要利用支持向量機在解決小樣本、非線性及高維問題時所具有的良好性能，來對入侵行為進行高速檢測。在此基礎上，充分考慮入侵檢測環境中的單點失效問題、多個檢測器的協作問題，將集成學習、人工免疫等新興技術引入到入侵檢測環境中，從而提高檢測精度和入侵檢測系統的魯棒性。《基于支持向量機的入侵檢測算法研究》針對有計算機、信息科學、通信技術基礎的中、高級讀者，適合從事網絡信息安全、人工智能、數據挖掘的研究人員，以及高校計算機、信息科學、通信等專業高年級本科生和研究生參考使用。

谷雨，女，副教授，博士。2009年3月畢業于西安交通大學計算機科學與技術專業，獲博士學位。作為項目組主要成員參與國家973項目一項、國家自然科學基金項目兩項；主持／參與省部級科學基金項目五項；作為主要成員參與云南省高校重點實驗室建設項目一項；主持／參與云南省教育廳基金項目六項；作為項目組主要成員參與“西部大學校園計算機網絡建設工程項目云南民族大學校園網”的設計與實施。在《計算機研究與發展》、《西安交通大學學報》、Information Technology Journal、IEEE Congress on Evolutionary Computation（CEC）等國際、國內學術刊物和國際知名學術會議上公開發表學術論文20余篇。

《基于支持向量機的入侵檢測算法研究》的內容主要集中于對入侵檢測的核心技術——檢測算法的研究，主要利用支持向量機在解決小樣本、非線性及高維問題時所具有的良好性能，來對入侵行為進行高速檢測。支持向量機的相關研究是近年機器學習與人工智能、數據挖掘等研究方向的重要研究內容。它是由Vapnik等人在統計學習理論與結構風險極小化原理的基礎上提出的一種學習算法。支持向量機根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折中，在很大程度上克服了傳統機器學習（神經網絡、決策樹等）的維數災難和局部極小等問題，從而獲得了較好的泛化能力。近年來，在文本分類、目標識別、基因分析等生物信息領域的實際應用中，支持向量機都取得了極大成功。在入侵檢測領域，支持向量機也表現出優異的成績，關于支持向量機的研究方興未艾。《基于支持向量機的入侵檢測算法研究》詳細地介紹了統計學習理論、支持向量機、核函數的有關基礎理論和算法，并對支持向量機的研究進展進行了討論。

第1章 入侵檢測基礎1.1 研究背景1.2 計算機安全及關鍵技術1.2.1 計算機安全概念1.2.2 常見的安全威脅1.2.3 網絡安全關鍵技術1.3 入侵檢測技術研究概述1.3.1 入侵檢測發展歷程1.3.2 通用人侵檢測模型1.3.3 異常檢測與誤用檢測1.4 入侵檢測的發展趨勢1.4.1 軟計算方法1.4.2 機器學習和數據挖掘方法1.4.3 人工免疫系統1.4.4 基于代理的檢測系統1.5 本章 小結第2章 支持向量機2.1 機器學習的基本問題2.1.1 學習問題的表示2.1.2 經驗風險最小化原理2.1.3 經驗風險最小化與過學習2.2 統計學習理論2.2.1 學習過程的一致性理論2.2.2 VC維與泛化能力的界2.2.3 結構風險最小化原理2.3 支持向量機理論2.3.1 最優化理論基礎2.3.2 線性支持向量機2.3.3 核函數方法2.4 本章 小結附錄：支持向量機的研究進展第3章 支持向量機的誤差分解和參數選擇研究3.1 誤差分解理論與支持向量機學習3.1.1 誤差分解理論3.1.2 支持向量機的偏差一方差分析3.2 核參數與入侵檢測性能3.2.1 KDD入侵檢測基準數據集3.2.2 核參數選擇對人侵檢測性能的影響3.3 本章 小結附錄1支持向量機的參數選擇方法附錄2KDDCUP99數據描述第4章 基于不同特征提取的入侵檢測研究4.1 基于PCA與ICA特征提取的入侵檢測集成分類系統4.1.1 基于PCA與ICA的入侵檢測集成分類系統模型4.1.2 集成分類系統的子分類器構造方法4.1.3 子分類器對系統性能的影響研究4.1.4 核參數對支持向量機學習性能的影響研究4.2 集成分類系統的增量式學習算法4.2.1 算法描述4.2.2 入侵檢測問題的增量式學習性能研究4.3 漏警與誤警損失的多目標優化研究4.3.1 入侵檢測的不均衡損失問題4.3.2 漏警與誤警的Pareto多目標優化算法4.3.3 仿真實驗及分析4.4 本章 小結第5章 嵌入式支持向量機特征選擇算法研究5.1 特征選擇方法5.2 基于數據的SVM嵌入式特征選擇模型5.2.1 預備知識5.2.2 SVM嵌入式特征選擇模型5.3 一種基于數據的SVM上界誤差估計5.3.1 F1（K）的計算5.3.2 F2（K）的計算5.4 一種新的SVM嵌入式特征選擇算法5.5 仿真實驗及分析5.5.1 分類誤差的光滑化處理5.5.2 仿真實驗及分析5.6 本章 小結第6章 基于負相關學習的支持向量機集成算法6.1 集成學習6.1.1 集成學習方法分類6.1.2 Bagging和Boosting方法6.2 基于負相關學習的支持向量機集成算法6.2.1 支持向量機集成的困難性6.2.2 負相關學習的理論分析6.2.3 負相關學習支持向量機集成算法的實現6.3 仿真實驗及分析6.3.1 人工數據集的實驗和分析6.3.2 入侵檢測問題的實驗和分析6.4 本章 小結第7章 基于免疫多樣性的入侵檢測研究7.1 人工免疫原理7.1.1 免疫學的概念和基本原理7.1.2 免疫系統的特征及對人侵檢測的借鑒意義7.2 一種新的基于免疫思想的入侵檢測工作結構7.3 基于免疫多樣性的人侵檢測算法7.3.1 免疫多樣性的定義7.3.2 親和度函數7.3.3 抗體表達方式——隨機子空間法7.3.4 基于免疫多樣性的入侵檢測算法7.4 仿真實驗及分析7.5 本章 小結第8章 總結與展望

附錄：支持向量機的研究進展本附錄內容主要節選自文獻：汪廷華，支持向量機模型選擇研究[D].北京：北京交通大學，2010.支持向量機作為一種新興的基于統計學習理論的核方法，自提出以來已經得到了廣泛深入的研究，其中具有代表意義的工作包括理論基礎及其擴展、支持向量機的訓練、支持向量機的擴展、模型選擇與核函數的研究、支持向量機的應用五個方面。下面分別就這些方面進行概述。1.理論基礎及其擴展以Vapnik為代表的AT&T中一個著名的研究小組做出了大量的開創性的貢獻。他們的主要工作包括：奠定了統計學習理論的基礎，提出了支持向量機的概念，并且將其成功地推廣到回歸問題。統計學習理論通過引入結構風險實現對目標函數集的控制，使學習機在經驗風險和學習機的復雜度之間取得一個折中，這樣可以獲得較好的泛化能力。VC維是統計學習中的一個非常核心的概念，它描述了函數集或學習機的復雜性，是學習能力的一個重要指標，由它可以引申出關于統計學習的一致性、收斂速度、泛化性能等重要結論。但遺憾的是，它至今未能給出完善的定義和統一的計算方法。此外，對學習機泛化性能的一般條件的研究也還遠未完善。有關這方面的研究將成為統計學習理論的核心和難點所在。除了統計學習理論之外，許多學者還力圖引入其他方面的理論對支持向量機進行分析。這些理論包括正則化理論、貝葉斯理論等。正則化理論強調用一個“平滑”的函數去逼近一個未知函數。對于兩個具有相同逼近誤差的曲線，正則化理論認為越光滑的越好。