基于信息增益与主成分分析的网络入侵检测方法

doi:10.19678/j.issn.1000-3428.0050585

计算机工程 ›› 2019, Vol. 45 ›› Issue (6): 175-180. doi: 10.19678/j.issn.1000-3428.0050585

基于信息增益与主成分分析的网络入侵检测方法

王旭仁^1,2,马慧珍¹,冯安然¹,许祎娜¹

1.首都师范大学信息工程学院,北京 100048;2.中国科学院信息工程研究所,中国科学院网络测评技术重点实验室,北京 100093

收稿日期:2018-03-02 出版日期:2019-06-15 发布日期:2019-06-15
作者简介:王旭仁(1972—),女,副教授、博士,主研方向为网络安全、智能技术;马慧珍、冯安然、许祎娜,硕士研究生。
基金资助:
国家自然科学基金(61373161);中国科学院信息工程研究所中国科学院网络测评技术重点实验室开放课题(201710)。

Network intrusion detection method based on information gain and principal components analysis

WANG Xuren^1,2,MA Huizhen¹,FENG Anran¹,XU Yi’na¹

1.College of Information Engineering,Capital Normal University,Beijing 100048,China;2.Key Laboratory of Network Assessment Technology,Institute of Information Engineering,Chinese Academy of Sciences,Beijing 100093,China

Received:2018-03-02 Online:2019-06-15 Published:2019-06-15

摘要/Abstract

摘要：

为提高入侵检测效率,需要对数据进行特征提取以降低数据维度。结合信息增益(IG)和主成分分析(PCA),提出一种网络入侵检测方法。通过IG提取分类能力强的属性特征,利用PCA对其降维,并采用Naive Bayes进行分类检测。对数据集KDDCUP99进行测试,结果表明,该方法的检测率为94.5%,高于PCA-LDA、FPCA、KPCA方法。

关键词: 信息增益, 主成分分析, 入侵检测, 特征提取, 降维

Abstract:

In order to improve the efficiency of intrusion detection,it is necessary to extract the features of data to reduce the data dimensions.This paper proposes a network intrusion detection method by combining Information Gain(IG) and Principal Components Analysis(PCA).The method uses IG to extract the attribute features with strong classification ability,uses PCA to reduce the dimension of the feature data,and uses Naive Bayes method for classification and detection.The test results of the data set KDDCUP99 show that the detection rate of the method is 94.5%,which is much higher than those of PCA-LDA,FPCA,and KPCA methods.

Key words: Information Gain(IG), Principal Components Analysis(PCA), intrusion detection, feature extraction, dimension reduction

中图分类号:

TP309

王旭仁,马慧珍,冯安然,许祎娜. 基于信息增益与主成分分析的网络入侵检测方法[J]. 计算机工程, 2019, 45(6): 175-180.

WANG Xuren,MA Huizhen,FENG Anran,XU Yi’na. Network intrusion detection method based on information gain and principal components analysis[J]. Computer Engineering, 2019, 45(6): 175-180.

https://www.ecice06.com/CN/Y2019/V45/I6/175

参考文献 16

［1］	DENNING D E.An intrusion-detection model［J］.IEEE Transactions on Software Engineering,1987,13(2):222-232.
［2］	ANDERSON J P.Computer security threat monitoring and surveillance［R］.Ford,USA:James P.Anderson Company,1980.
［3］	WANG Ke,STOLFO S J.Anomalous payload-based network intrusion detection［C］//Proceedings of International Workshop on Recent Advances in Intrusion Detection.Berlin,Germany:Springer,2004:203-222.
［4］	GADDAM S R,PHOHA V V,BALAGANI K S.K-means+ID3:a novel method for supervised anomaly detection by cascading k-means clustering and ID3 decision tree learning methods［J］.IEEE Transactions on Knowledge and Data Engineering,2007,19(3):345-354.
［5］	PANDA M,PATRA M R.Network intrusion detection using Naive Bayes［J］.International Journal of Computer Science and Network Security,2007,7(12):258-263.
［6］	AMOR N B,BENFERHAT S,ELOUEDI Z.Naive Bayes vs decision trees in intrusion detection systems［J］.ACM Symposium on Applied Computing,2004,18(6):420-424.
［7］	QUINLAN J R.Induction of decision trees［J］.Machine Learning,1986,1(1):81-106.
［8］	KAYACIK H G,ZINCIR-HEYWOOD A N,HEYWOOD M I.Selecting features for intrusion detection:a feature relevance analysis on KDD 99 intrusion detection datasets［C］//Proceedings of the 3rd Annual Conference on Privacy,Security and Trust.Washington D.C.,USA:IEEE Press,2005:1-6.
［9］	BOUZIDA Y,CUPPENS F,CUPPENS-BOULAHIA N,et al.Efficient intrusion detection using principal component analysis［C］//Proceedings of the 3rd Conference on Security and Network Architectures.La Londe,France:［s.n.］,2004:1-12.
［10］	THASEEN I S,KUMAR C A.Intrusion detection model using fusion of PCA and optimized SVM［C］//Proceedings of International Conference on Contemporary Computing and Informatics.Washington D.C.,USA:IEEE Press,2015:879-884.
［11］	AHMAD I,HUSSAIN M,ALGHAMDI A,et al.Enhancing SVM performance in intrusion detection using optimal feature subset selection based on genetic principal components［J］.Neural Computing and Applications,2014,24(7/8):1671-1682.
［12］	ABUROMMAN A A,REAZ M B I.Ensemble of binary SVM classifiers based on PCA and LDA feature extraction for intrusion detection［C］//Proceedings of Advanced Information Management,Communicates,Electronic and Automation Control Conference.Washington D.C,USA:IEEE Press,2017:636-640.
［13］	HADRI A,CHOUGDALI K,TOUAHNI R.Intrusion detection system using PCA and fuzzy PCA techniques［C］//Proceedings of International Conference on Advanced Com-munication Systems and Information Security.Washington D.C.,USA:IEEE Press,2016:1-7.
［14］	ELKHADIR Z,CHOUGDALI K,BENATTOU M.Intrusion detection system using PCA and kernel PCA methods［J］.International Journal of Computer Science,2016,43:72-79.
［15］	HETTICH S,BAY S D.KDD cup 1999 data［EB/OL］.［2018-02-08］.http://kdd.ics.uci.edu/databases/kdd cup99/kddcup99.html.
［16］	李丛,闫仁武,朱长水,等.融合FAST特征选择ABQGSA-SVM的网络入侵检测［J］.计算机应用研究,2017,34(7):2172-2179.

[1]	胡庆. 多尺度融合与双输出U-Net网络的行人重识别[J]. 计算机工程, 2024, 50(6): 102-109.
[2]	余长宏, 许孔豪, 张泽, 高明. 基于分割点改进孤立森林的网络入侵检测方法[J]. 计算机工程, 2024, 50(6): 148-156.
[3]	张慧妍, 梁勇, 兰景宏, 赵强. 基于记忆模块与过滤式生成对抗网络的入侵检测方法[J]. 计算机工程, 2024, 50(6): 197-207.
[4]	梁松林, 林伟, 王珏, 杨庆. 面向后渗透攻击行为的网络恶意流量检测研究[J]. 计算机工程, 2024, 50(5): 128-138.
[5]	李振鲁, 黄威, 孙锴. 复杂环境下的轻量化道路目标识别算法研究[J]. 计算机工程, 2024, 50(4): 219-227.
[6]	袁文涛, 卫文韬, 高德民. 融合注意力机制的多视图卷积手势识别研究[J]. 计算机工程, 2024, 50(3): 208-215.
[7]	陈虹, 王瀚文, 金海波. 融合改进自编码器和残差网络的入侵检测模型[J]. 计算机工程, 2024, 50(2): 188-195.
[8]	陈君航, 杨祖元, 刘名扬, 李陵江. 基于正交约束的广义可分离非负矩阵分解算法[J]. 计算机工程, 2023, 49(8): 46-53.
[9]	马娜, 温廷新, 贾旭, 李晓会. 复杂光照条件下自适应的车脸重识别模型[J]. 计算机工程, 2023, 49(8): 275-282, 290.
[10]	戴浩磊, 黄永慧, 周郭许. 基于超图正则化非负张量链分解的聚类分析[J]. 计算机工程, 2023, 49(6): 81-89.
[11]	陈仲磊, 伊鹏, 陈祥, 胡涛. 基于集成学习的系统调用实时异常检测框架[J]. 计算机工程, 2023, 49(6): 162-169,179.
[12]	宋羽凯, 谢江. 基于多任务学习的轻量级语音情感识别模型[J]. 计算机工程, 2023, 49(5): 122-128.
[13]	霍跃华, 赵法起. 基于Stacking与多特征融合的加密恶意流量检测[J]. 计算机工程, 2023, 49(5): 165-172,180.
[14]	关日鹏, 况立群, 焦世超, 熊风光, 韩燮. 多模态特征融合与词嵌入驱动的三维检索方法[J]. 计算机工程, 2023, 49(4): 101-107,113.
[15]	耿磊, 傅洪亮, 陶华伟, 卢远, 郭歆莹, 赵力. 基于动态卷积递归神经网络的语音情感识别[J]. 计算机工程, 2023, 49(4): 125-130,137.

选择文件类型/文献管理软件名称

选择包含的内容

基于信息增益与主成分分析的网络入侵检测方法

Network intrusion detection method based on information gain and principal components analysis

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于信息增益与主成分分析的网络入侵检测方法

Network intrusion detection method based on information gain and principal components analysis

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价