基于机器学习算法的网络入侵检测

龙源期刊网

基于机器学习算法的网络入侵检测

作者：单超

来源：《学习与科普》2019年第08期

摘要：随着电子信息科学与技术的不断发展，网络安全成为公众关注的一个热点问题。各类网络攻击防不胜防，网络入侵监测成为网络防火墙的一个重要补充，基于机器学习算法的网络入侵监测更以智能化、快速化、高效化的监测手段，有效弥补了传统入侵监测低效、漏报等问题，有效提高了网络信息安全强度。本文从网络安全现状分析入手，简单介绍部分机器学习的部分算法，展望入侵监测未来发展趋势。

关键词：机器学习；网络入侵；安全；算法；入侵监测

当前各行各业都已经全面迈入互联网时代，从传统线下的农副产品的销售与采购，到高速发展的互联网出行、餐饮、教育、医疗等，可以说人们的衣食住行现在都可以围绕互联网开展。信息化技术的迅猛发展，改变了人们的生活习惯，也为信息安全问题留下了巨大隐患。尤其是现代黑客技术已经逐步商品化，网络给很多不法分子犯罪创造了机会，很可能使人们在没有任何觉察的情况下，来自网络的代码就已经入侵计算机，并自动在后台运行。近年来网络攻击所造成的各类问题层出不穷，网络安全与个人、企业、政府都息息相关，我们必须采取各种手段来保障计算机安全。

一、基于機器学习的网络入侵检测技术

网络的快速发展对传统的入侵监测技术是一项巨大的挑战，各式各样的网络攻击高频率、多频次的攻击迫使人们必须要研究一种更加智能、高效的算法，来应对复杂的网络环境。机器学习中大部分的算法主要通过分类来解决问题，它实现了模拟人类思维的智能化学习，通过不断的学习来提高自身性能，在网络入侵检测中具有重要作用。

1. 决策树

决策树是常用的分类器之一。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。决策树的构造有一个突出特点就是分裂属性，即在某个节点处按照某一个特征属性的不同划分不同类的属性。该算法简单易理解，能够在较短的时问内处理大型数据源。用决策树算法对网络数据进行分类，输出结果可以分为拒绝服务、彻底调查和正常。决策树具有分裂属性，而且其中每一种属性的选择度量非常精确，故决策树在网络入侵检测中可以使系统分类效率显著提升。

2.网络神经