结合朴素贝叶斯与决策树的自适应入侵检测

本文提出了一种新的学习算法，用于自适应网络入侵检测，该算法使用朴素贝叶斯分类器和决策树，能够对不同类型网络攻击实现平衡检测并将误报率保持在可接受水平，同时从训练数据中消除使检测模型复杂的冗余属性和矛盾样本。该算法还解决了数据挖掘中的一些难题，例如处理连续属性、处理缺失属性值以及减少训练数据中的噪声。由于安全审计数据量大以及入侵行为的复杂性和动态性，过去几十年中已有多种基于数据挖掘的入侵检测技术应用于网络流量数据和主机数据。然而，当前入侵检测系统仍存在各种问题需要研究。我们通过在KDD99基准入侵检测数据集上使用现有学习算法测试了所提算法的性能。实验结果表明，所提算法在有限计算资源下，对不同类型网络入侵实现了高检测率并显著降低了误报率。