基于模糊粗糙集属性约简与GMM-LDA最优聚类簇特征学习的自适应网络入侵检测

刘金平^1,2，张五霞¹，唐朝晖³，何捷舟¹，徐鹏飞¹

1. 湖南师范大学信息科学与工程学院2. 湖南师范大学计算与随机数学教育部重点实验室3. 中南大学信息科学与工程学院

摘 要：网络入侵方式已日趋多样化,其隐蔽性强且变异性快,开发灵活度高、适应性强的实时网络安全监测系统面临严峻挑战.对此,提出一种基于模糊粗糙集属性约简（FRS-AR）和GMM-LDA最优聚类簇特征学习（GMM-LDA-OCFL）的自适应网络入侵检测（ANID）方法.首先,引入一种基于模糊粗糙集（FRS）信息增益率的属性约简（AR）方法以实现网络连接数据最优属性集选择;然后,提出一种基于GMM-LDA的最优聚类簇特征学习方法,以获得正常模式特征库和入侵模式库的最优特征表示,同时引入模式库自适应更新机制,使入侵检测模型能够适应网络环境动态变化. KDD99数据集和基于Nidsbench的网络虚拟仿真实验平台的入侵检测结果表明,所提出的ANID方法能有效适应网络环境动态变化,可实时检测出真实网络连接数据中的各种入侵行为,其性能优于当前常用的入侵检测方法,应用前景广阔.

关键词：入侵检测;高斯混合模型聚类;模式匹配;模糊粗糙集;信息增益;模式更新;