基于自适应朴素贝叶斯树的属性加权方法降低入侵检测中的误报率
密码学与安全
2010-05-07 v1
摘要
在本文中，我们介绍了一种用于降低入侵检测中误报率的新学习算法。该算法基于决策树属性加权与自适应朴素贝叶斯树，不仅将误报率降低到可接受水平，而且提高了对不同类型网络入侵的检测率。由于基于网络的服务迅猛增长，入侵检测已成为一种重要的网络安全技术。近年来，数据挖掘算法被应用于基于网络的流量数据和基于主机的程序行为，以检测入侵或滥用模式，但当前的入侵检测算法存在一些问题，例如检测率不均衡、大量误报以及冗余属性，这些都会导致检测模型的复杂化和检测精度的下降。本研究旨在识别构建一个计算高效且有效的入侵检测系统所需的重要输入属性。使用KDD99基准网络入侵检测数据集进行的实验结果表明，所提出的方法能够显著降低误报的数量和百分比，并提高对不同类型网络入侵的均衡检测率。
引用
@article{arxiv.1005.0919,
title = {Attribute Weighting with Adaptive NBTree for Reducing False Positives in Intrusion Detection},
author = {Dewan Md. Farid and Mohammad Zahidur Rahman},
journal= {arXiv preprint arXiv:1005.0919},
year = {2010}
}
备注
IEEE Publication format, International Journal of Computer Science and Information Security, IJCSIS, Vol. 8 No. 1, April 2010, USA. ISSN 1947 5500, http://sites.google.com/site/ijcsis/