任家东^1,2,刘新倩^1,2,王倩^1,2,何海涛^1,2,赵小林^3,4

¹(燕山大学信息科学与工程学院 河北秦皇岛 066001); ²(河北省软件工程重点实验室(燕山大学) 河北秦皇岛 066001); ³(北京理工大学软件学院 北京 100081); ⁴(软件安全工程技术北京市重点实验室(北京理工大学) 北京 100081) (jdren@ysu.edu.cn)

出版日期: 2019-03-01


基金资助:国家重点研发计划基金项目(2016YFB0800700)；国家自然科学基金项目(61472341,61772449,61572420)；河北省自然科学基金项目(F2016203330, F2015203326)；燕山大学博士后科研择优资助项目(B2017003005)；燕山大学博士基金项目(B1036)

An Multi-Level Intrusion Detection Method Based on KNN Outlier Detection and Random Forests

Ren Jiadong^1,2, Liu Xinqian^1,2, Wang Qian^1,2, He Haitao^1,2, Zhao Xiaolin^3,4

¹(School of Information Science and Engineering, Yanshan University, Qinhuangdao, Hebei 066001); ²(Hebei Key Laboratory of Software Engineering (Yanshan University), Qinhuangdao, Hebei 066001); ³(School of Software, Beijing Institute of Technology, Beijing 100081); ⁴(Beijing Key Laboratory of Software Security Engineering Technology (Beijing Institute of Technology), Beijing 100081)

Online: 2019-03-01

摘要/Abstract

摘要： 入侵检测系统能够有效地检测网络中异常的攻击行为，对网络安全至关重要.目前，许多入侵检测方法对攻击行为Probe(probing)，U2R(user to root)，R2L(remote to local)的检测率比较低.基于这一问题，提出一种新的混合多层次入侵检测模型，检测正常和异常的网络行为.该模型首先应用KNN(K nearest neighbors)离群点检测算法来检测并删除离群数据，从而得到一个小规模和高质量的训练数据集；接下来，结合网络流量的相似性，提出一种类别检测划分方法，该方法避免了异常行为在检测过程中的相互干扰，尤其是对小流量攻击行为的检测；结合这种划分方法，构建多层次的随机森林模型来检测网络异常行为，提高了网络攻击行为的检测效果.流行的数据集KDD(knowledge discovery and data mining) Cup 1999被用来评估所提出的模型.通过与其他算法进行对比，该方法的准确率和检测率要明显优于其他算法，并且能有效地检测Probe，U2R，R2L这3种攻击类型.

参考文献

相关文章 15

[1]	刘泽宁, 李凯, 吴连涛, 王智, 杨旸. 多层次算力网络中代价感知任务调度算法[J]. 计算机研究与发展, 2020, 57(9): 1810-1822.
[2]	李学兵, 陈阳, 周孟莹, 王新. 互联网数据传输协议QUIC研究综述[J]. 计算机研究与发展, 2020, 57(9): 1864-1876.
[3]	黄克振, 连一峰, 冯登国, 张海霞, 刘玉岭, 马向亮. 基于区块链的网络安全威胁情报共享模型[J]. 计算机研究与发展, 2020, 57(4): 836-846.
[4]	林玥, 刘鹏, 王鹤, 王文杰, 张玉清. 网络安全威胁情报共享与交换研究综述[J]. 计算机研究与发展, 2020, 57(10): 2052-2065.
[5]	邓理,吴伟楠,朱正一,陈鸣. DiffSec：一种差别性的智能网络安全服务模型[J]. 计算机研究与发展, 2019, 56(5): 955-966.
[6]	徐怡,姚一豫. 划分序乘积空间：基于划分的粒计算模型[J]. 计算机研究与发展, 2019, 56(4): 836-843.
[7]	张玉清,董颖,柳彩云,雷柯楠,孙鸿宇. 深度学习应用于网络空间安全的现状、趋势与展望[J]. 计算机研究与发展, 2018, 55(6): 1117-1142.
[8]	郑正,徐明伟,李琦,张云. SDN网络拓扑污染攻击防御机制研究[J]. 计算机研究与发展, 2018, 55(1): 207-215.
[9]	杨安,孙利民,王小山,石志强. 工业控制系统入侵检测技术综述[J]. 计算机研究与发展, 2016, 53(9): 2039-2054.
[10]	付志耀,高岭,孙骞,李洋,高妮. 基于粗糙集的漏洞属性约简及严重性评估[J]. 计算机研究与发展, 2016, 53(5): 1009-1017.
[11]	王一川,马建峰,卢笛,张留美,孟宪佳. 面向云环境内部DDoS攻击检测的博弈论优化[J]. 计算机研究与发展, 2015, 52(8): 1873-1882.
[12]	文坤, 杨家海, 程凤娟,尹辉,王健峰. 骨干网络中RoQ攻击的监测、定位和识别[J]. 计算机研究与发展, 2015, 52(4): 813-822.
[13]	徐钦桂,黄培灿,杨桃栏. 增强的基于生物密钥智能卡远程身份认证方案[J]. 计算机研究与发展, 2015, 52(11): 2645-2655.
[14]	刘玉岭,冯登国,连一峰,陈 恺,吴 迪. 基于时空维度分析的网络安全态势预测方法[J]. 计算机研究与发展, 2014, 51(8): 1681-1694.
[15]	林 晖1 马建峰2 许 力1. MWNs中基于跨层动态信誉机制的安全路由协议[J]. 计算机研究与发展, 2014, 51(7): 1486-1496.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3887