摘要: 随着信息技术的飞速发展，网络信息安全日益成为信息社会人们所面临的一个挑战性问题，入侵检测系统的研究和实现随之成为计算机研究和应用领域中的一个重要课题。数据挖掘可以对海量数据进行自动高效的分析处理，并从中挖掘出潜在的规律、规则、模式... 展开 随着信息技术的飞速发展，网络信息安全日益成为信息社会人们所面临的一个挑战性问题，入侵检测系统的研究和实现随之成为计算机研究和应用领域中的一个重要课题。数据挖掘可以对海量数据进行自动高效的分析处理，并从中挖掘出潜在的规律、规则、模式等知识，已被引入到入侵检测研究领域中。分类技术作为一种有效的数据挖掘方法，在基于数据挖掘的入侵检测中得到应用。由于入侵检测数据中存在类分布不平衡的问题，传统分类方法应用到入侵检测中存在不足，需要引入新的分类策略和评估方法即稀有类分类来解决类分布不平衡的数据集学习问题。 朴素贝叶斯NB算法基于类条件独立假设CCIA，具有简单有效的特点。在CCIA不成立的情况下，分类准确率仍与C4.5和NN相当，甚至更好。研究发现，NB在CCIA不成立时仍然有效，原因在于在分类问题中决定分类性能是依赖关系的分布，而不是属性之间的依赖关系本身。 基于朴素贝叶斯的分类算法采用Boosting技术构造了基于NB的集成分类器，设计了一个集成分类算法BNBCE，并且在NB和BNBCE分类算法的基础上，开发了一个基于稀有类分类的入侵检测实验系统RCCIDS，并在UCI学习库中的入侵检测数据集KDDCUP’99DATA上进行了测试。 另外，针对BNBCE算法，采用不同集成规模进行了实验，并对结果进行了分析。结果发现随着集成规模的增加，分类检测性能不断得到增强，当集成分类器中个体分类器数目达到一定数量时，系统检测性能趋于稳定。 收起