基于演化规划的入侵检测规则挖掘算法
基于数据挖掘的入侵检测技术
基于数据挖掘的入侵检测技术【摘要】：入侵检测技术是一种重要的网络信息安全主动防御技术。
将数据挖掘枝术应用于入侵检测中，有利于提高入侵检测的准确率，成为入侵检测领域的研究热点。
对基于数据挖掘的入侵检测技术进行阐述、分析和比较，并对数据挖掘领域中的新技术 ( G E P )应用于入侵检测系统进行了展望。
【关键词】：数据挖掘；入侵检测；技术；G E P ；1引言防火墙是保护内部网络安全的第一道防线，入侵检测技术是防火墙技术的合理补充，可以提供对内部攻击、外部攻击及误操作的实时保护。
所谓入侵是指未经授权的系统用户窃取或试图窃取系统的访问权限，以及系统的授权用户超出被授予访问权限利用系统资源的行为，这种行为危害系统的完整性、保密性和可用性。
入侵检测系统 ( I DS ：I n t r u s i o n De t e c t i o n S y s t e m)可以检测入侵行为能够帮助网络系统快速发现网络攻击的发生，提高了信息安全基础结构的完整性。
因此，I DS自1 9 8 0年被提出以来，越来越多地受到人们的关注，成为信息安全领域的研究重点。
数据挖掘技术是帮助用户发现隐藏在大型数据库中的规律和模式，且融合了人工智能、统计、模式识别等多种学科理论与方法技术的大规模数据处理的方法与手段。
近几年，有不少学者提出了基于数据挖掘的入侵检测系统模型，提高系统模型的检测率及降低误报率，并已经公开报告了不少研究成果。
本文对这些系统模型进行阐述并加以分析比较，以便于读者了解入侵检测技术的原理以及数据挖掘在入侵检测技术中的应用。
2入侵检测技术的概念及原理入侵，就是一系列试图去破坏一个计算机系统资源的完整性、机密性和可用性的行为。
入侵的类型和方法多种多样，根据其行为的后果，大致可以分为：非授权访问、信息泄漏或丢失、破坏数据完整性和拒绝服务攻击。
而入侵检测技术通过对计算机网络或计算机系统中的若干关键点收集信息并对其进行分析，从中发现网络或系统中是否有违反安全策略的行为和被攻击的迹象。
入侵检测系统规则的挖掘
ｔ ｌｒ ｓ ｌ ｎ ＫＤＤ－ ｄ ｔ ｓ ｔｓ ｏ ｔ ａ ｈ ｒ ｐ ｓ ｄ ｍｅ ｈ ｄ ｉ ｓ ｉ ｂ ｅ ｆ ｒ ｒ ａ － ｉ ｅ ｒ ｌ ａ ｅ ｕ ｔ ｏ ｓ ９ ａ ａ ｅ ｈ ｗ ｈ ｔ ｔ ｅ ｐ ｏ ｏ ｅ ｔ ｏ Ｓ ｕ ｔ ｌ ｏ ｅ ｌｔ ｕ ｅ ９ ａ ｍ ｍｉ ｉ ｇ，ａ ｄ ｏ ｔ ｅ ｆ ｒ ｓｏ ｈ ｒｃ ａ ｓｆｅ ｔ ｏ ｓ ｂ ｒ ｖｄ ｎ ｈ ｉ ｈ ｓ ｅ ｅ ｔｏ ｃ ｕ ａ ｎｎ ｎ ｕ ｐ ｒ ｏ ｍ ｔ ｅ ｌ ｓ ｉ ｒｍｅ ｈ ｄ ｙ ｐ ｏ ｉ ｉ ｇ ｔ ｅ ｈ ｇ ｅ ｔｄ ｔ ｃ ｉ ｎ ａ ｃ ｒ — ｉ ｃ ｏ ｎ ｒ ｓｏ ｔ ａ ｋ ｎ Ｏ ｆ ｌｅ ｒ ｔ ｏ ｏ ｍａ ｅ ｗｏ ｋ ｔ ａ ｆ ． ｙ ｆ ｒｉ ｔ ｕ ｉ ｎ ａ ｔ ｃ ｓａ ｄ ｌ Ｗ ａ ｓ ａ ｅ ｆ ｒ ｎ ｒ １ｎ ｔ ｒ ｒ ｆｉ ｃ Ｋｅ ｒ ｓ ｕ ｅ ｍｉ ｅ ；ｉ ｔ ｕ ｉ ｎ ｄ ｔ ｃ ｉ ｎ ｓ ｓ ｅ ；ｆ ｚ ｙ ｌ ｇ ｃ ａ ａ ｍｉ ｉ ｇ ｙ ｗｏ ｄ ：ｒ ｌ ｎ ｒ ｎ ｒ ｓｏ ｅ ｅ ｔｏ ｙ ｔ ｍ ｕ ｚ ｏ ｉ ；ｄ ｔ ｎ ｎ
Ａｂ ｔａ ｔ ｓ ｒ ｃ ：Ａ ｏ ｅ ｕ ｅｍ ｉ ｅ ｅ ｈ ｄ ｗａ ｒ ｐ ｓ ｄ ｆ ｒＳ ｏ ｔｎ ｔ ｒ — ａ ｅ ｎ ｒ ｓｏ ｅ ｅ － ｎ ｖ ｌ ｌ ｎ ｒｍ ｔ ｏ ｓｐ ｏ ｏ ｅ ｏ ｎ ｒ ｅ ｗｏ ｋ ｂ ｓ ｄ ｉ ｔ ｕ ｉ ｎ ｄ ｔ ｃ ｒ
ＬＩ ＡＯ ａ — ｏ ｇ，ＸＩ Ｎｉｎ ｄ ｎ ＯＮＧ ｎ Ｂｉ ｇ
（ ｃ ｏ ｌ ｆＣｏ ｐ ｔ ｒａ ｄ Ｃｏ Ｓ ｈ ｏ ｍ ｕ ｅ ｎ ｍｍｕ ｉ ａ ｉｎ，Ｃｈ ｎ ｓ ａ Ｕｎ ｖ ｒ ｉ ｆ ｏ ｎ ｃ ｔｏ ａ ｇ ｈ ｉ ｅ ｓｔ ｏ ｙ Ｓ ｉｎ ｅ ａ ｄ Ｔｅ ｈ ｏｏ ｙ ｃｅ ｃ ｎ ｃ ｎ ｌ ｇ ，Ｃｈ ｎ ｓ ａ４ ０ ０ ，Ｃｈ ｎ ） ａｇ ｈ １ ０ ４ ｉａ
浅析数据挖掘算法在入侵检测中的应用
随 着 网 络 技术 的 快 速发 展 ， 用 丰 富 的 网络 资 源进 行 攻 击 的手 这类对象 的有关特征 。 利 法千变万化 ， 通过一些简单的操作就 可以实施极具破坏力的攻击行 ３４偏 差 检 测 ． 为 ， 何有 效 的检 测 并 阻止 这 些 攻 击 行为 的发 生成 了 目前 计 算 机行 如 偏 差 包 括 很 多潜 在 的知 识 。 据挖 掘 技 术 是 最 新 引入 到 入 侵检 数
做出极具准确性的预测性。 数据挖掘最终要实现的是从众多的数据
库 中发 现 隐 含 的且 理 论极 具 有 意 义 的 知 识 。
入 侵检测系统主要关注的是来 自系统 外部 的攻 击行 为。 然而 ， 大部分造成严重后果的系统入侵正是 由内部攻击者引起 的， 因此通 过对基 于内部用户行为模 式的异常检测进行 了相应的试验 。 在实验
系统提供免受外部攻击 、 内部 攻 击 和 误 操 作 的安 全 保 障 。 入侵 检 测
４２通 过 采 用加 权 关联 规 则 来挖 掘 算 法 ．
通常分为一下三个部分 ： 数据采集 、 数据分析以及 系统响应。 数据采
加权关联规则技术引入的入侵检测 系统 可更精确地表 示入 侵 集 主 要是 从 网络 系 统 中进 行 采 集 网络 中相 关 的数 据 包 、 要 文 件 以 模 式 。 主 要 是 考 虑 到 了审 计 数 据 的时 间效 应 。 重 这 同时 ， 用 加 权 关 联 使 及 与 用 户 活 动 有 关 的 数 据 等 。 据 分 析 则 通 过 模 式 匹配 、 常 检 测 规 则 可 以更 加容 易 、 数 异 有效 地 从 各种 各 样 的 审 计 数据 中发 现 出有 用 信 和完整性检测三种技术手段对采集的数据进行分析 。 入侵检测系统 息。 因此 ， 加权 关联规则 技术 比关联规则技术更加适合用来 构建 入 旦 发 现 入 侵 行 为 ， 即会 进 入 响 应 过 程 。 立 侵检测系统 的入 侵模 块数据库 。
探讨数据挖掘算法在入侵检测中的应用
探讨数据挖掘算法在入侵检测中的应用摘要：本文采用了一种基于关联规则的数据挖掘算法来分析入侵检测系统数据库来检测出攻击事件。
对于异常检测，主要研究了分类算法；对于误用检测，主要研究了模式比较和聚类算法，在模式比较中又以关联规则和序列规则为重点研究对象。
最后对目前数据挖掘算法在入侵检测中应用所面临的难点进行了分析，并指明了今后的研究方向。
关键词：入侵检测数据挖掘分类算法算法实现应用随着网络技术的快速发展，利用丰富的网络资源进行攻击的手法千变万化，通过一些简单的操作就可以实施极具破坏力的攻击行为，如何有效的检测并阻止这些攻击行为的发生成了目前计算机行业被受关注的主题。
目前最有效的的防护措施就是入侵检测。
而入侵检测技术是一种动态的防护策略，在一定程度上弥补了传统静态策略的不足。
1、数据挖掘技术的介绍数据挖掘技术是一个从大量的数据中提取出人们感兴趣的模式的一种技术。
数据挖掘的对象除了数据源、系统外，还包括从web 资源上获得的与数据有关的信息；另外数据挖掘的过程并不是一个始终保持直线型的过程，而是一个具有螺旋上升、循环往复的过程。
数据挖掘通过对未来的发展趋势及行为的预测，基于相应的知识，做出极具准确性的预测性。
数据挖掘最终要实现的是从众多的数据库中发现隐含的且理论极具有意义的知识。
2、入侵检测系统入侵检测是计算机和信息安全方面的一个重要课题，它是一种动态的安全保护方法，能主动寻找已经入侵计算机的信号，给网络系统提供免受外部攻击、内部攻击和误操作的安全保障。
入侵检测通常分为一下三个部分：数据采集、数据分析以及系统响应。
数据采集主要是从网络系统中进行采集网络中相关的数据包、重要文件以及与用户活动有关的数据等。
数据分析则通过模式匹配、异常检测和完整性检测三种技术手段对采集的数据进行分析。
入侵检测系统一旦发现入侵行为，立即会进入响应过程。
3、数据挖掘的功能3.1 关联分析关联分析能寻找数据库的相关联系，常用的二种技术为关联规则和序列模式。
网络安全领域的入侵检测算法
网络安全领域的入侵检测算法在当今互联网时代，随着网络技术的不断发展，网络安全问题也变得日益突出。
为了保护网络系统的安全性和完整性，人们提出了许多方法和技术，其中入侵检测系统（Intrusion Detection System，IDS）就是防止网络攻击的重要手段之一。
本文将介绍网络安全领域的入侵检测算法，包括基于特征的入侵检测算法和基于机器学习的入侵检测算法。
一、基于特征的入侵检测算法基于特征的入侵检测算法是使用预先定义的特征集合来识别网络中的恶意行为。
这些特征可以包括网络流量、主机日志、系统调用以及其他与网络安全相关的信息。
基于特征的入侵检测算法通常分为两类：基于规则的入侵检测算法和基于统计的入侵检测算法。
1. 基于规则的入侵检测算法基于规则的入侵检测算法使用预定义的规则集合来检测网络中的恶意行为。
这些规则可以基于已知的攻击特征或者异常行为。
一个典型的基于规则的入侵检测系统会遵循以下几个步骤：收集网络数据、分析数据、应用规则进行检测并生成警报。
其中，规则可以手动定义也可以通过学习和训练得到。
2. 基于统计的入侵检测算法基于统计的入侵检测算法通过分析网络数据的统计特征来识别恶意行为。
这种方法利用了正常网络流量和异常网络流量之间的差异，从而检测潜在的入侵行为。
常见的统计特征包括流量大小、流量分布、流量周期性等。
基于统计的入侵检测算法通常使用概率模型或者机器学习算法进行分析和判断。
二、基于机器学习的入侵检测算法基于机器学习的入侵检测算法是利用机器学习技术来自动地从网络数据中学习和识别恶意行为。
这种算法通过训练样本集来构建分类模型，然后使用该模型对未知数据进行分类和检测。
基于机器学习的入侵检测算法通常可以根据监督学习和非监督学习进行分类。
1. 基于监督学习的入侵检测算法基于监督学习的入侵检测算法首先需要一个预先标记好的训练数据集，其中包含了正常数据和恶意数据。
然后，算法使用这些训练数据来构建分类器，并利用分类器对未知数据进行分类。
网络安全中的入侵检测算法研究与实现
网络安全中的入侵检测算法研究与实现随着互联网的迅速发展，网络安全问题也日益突出，入侵行为对互联网的安全稳定造成了巨大威胁。
因此，研究与实现高效准确的入侵检测算法成为了保障网络安全的重要工作之一。
本文将探讨网络安全中的入侵检测算法的研究与实现。
首先，我们需要了解入侵检测算法的基本原理。
入侵检测算法的目标是在网络中检测到可能存在的入侵行为，并根据预定的规则或模型进行判断和分类。
入侵检测算法主要分为基于特征的入侵检测和基于行为的入侵检测两种类型。
基于特征的入侵检测算法是通过比对网络流量中的特征向量来判断是否存在入侵行为。
在特征向量的构建上，可以利用网络流量的统计信息或者特定的网络协议规则。
常见的特征向量包括源IP地址、目的IP地址、源端口号、目的端口号、协议类型等等。
通过特征向量的比对和匹配，可以判断出是否存在入侵行为。
基于行为的入侵检测算法是通过对网络流量或主机行为的监控和分析来检测入侵行为。
该算法的核心思想是基于已知的入侵行为模式或者异常行为模式来判断是否存在入侵行为。
常见的入侵行为模式包括端口扫描、暴力破解、拒绝服务攻击等，异常行为模式包括网络带宽异常、通信频率异常等。
通过分析网络流量或主机行为的模式变化，可以判断是否存在入侵行为。
在入侵检测算法的实现过程中，我们可以采用机器学习和数据挖掘技术来实现算法的自动学习和优化。
机器学习技术可以通过训练样本集，自动构建分类器模型，并利用这些模型来预测新的样本。
数据挖掘技术可以通过对大量的网络流量数据进行分析和挖掘，发现其中的规律和异常。
常见的机器学习算法包括决策树、支持向量机、神经网络等。
这些算法可以根据已知的样本集进行特征学习和分类模型构建。
当新的流量数据进来时，可以利用已经构建好的分类模型来进行判断和分类。
此外，还可以采用深度学习算法来实现入侵检测算法。
深度学习算法以神经网络为基础，通过多层次的学习和抽象，可以自动提取网络流量中的特征并进行准确判断。
入侵检测基本概念与检测算法基础
入侵检测基本概念与检测算法基础本文主要分为几个部分1. 入侵检测基本概念2. 入侵检测算法的理论研究发展3. 入侵检测算法的一种实现尝试1. 入侵检测基本概念入侵检测是一种通过收集和分析被保护系统的信息，从而发现入侵的技术。
它的主要功能是对网络和计算机系统进行实时监控，发现和识别系统中的入侵行为或企图，给出入侵警报入侵检测攻防对抗的观点1. 要想完全避免安全事件的发生并不太现实，网络安全人员需要做的是尽力发现和察觉入侵及入侵企图(即具有高度的异常敏感性)，从长远的角度来看，安全的问题本来就是一个互相攻防对抗的过程。
1) 安全的攻防对抗没有一招解决所有问题的技术2) 好的攻防思路是部署一种尽可能敏感的攻击事件捕获机制，当发生了已知、或者未知的攻击的事件时，我们能第一时间获取到关于本次攻击的尽可能多的元数据(强大的入侵检测机制)3) 针对发生的攻击，采取针对性的防御，针对性地防御是最有效的方法(对CMS 的漏洞进行针对性的代码修复、为系统的某个CVE漏洞打上补丁)4) 在针对性防御的基础上，我们对一些解决方案进行归纳、总结，试图找到一种底层性的、归类性的安全解决方案(回想历史上微软的DEP、ASLR、SAFESEH技术)2. 采取有效的措施来堵塞漏洞和修复系统入侵检测的定义及分类1. 定义:1) 将入侵企图或威胁定义为未经授权蓄意尝试访问信息(SQL注入、横向/纵向越权访问、非法下载数据库/日志信息)、窜改信息(挂黑链、SQL注入)，使系统不可靠或不能使用(种植后门木马、webshell)2) 入侵是指有关试图破坏资源的完整性、机密性及可用性的活动集合(安全的三大定义)3) 从分类角度指出入侵包括:3.1) 尝试性闯入(扫描行为)3.2) 伪装攻击(代理、跳板攻击)3.3) 安全控制系统渗透3.4) 泄漏3.5) 拒绝服务(DDOS)3.6) 恶意使用(僵尸网络、rootkit后门)2. 分类:入侵检测技术主要分成两大类型1) 异常入侵检测能够根据"异常行为"和"使用计算机资源情况"检测出来的入侵，异常入侵检测试图用"定量方式"描述可接受的行为特征，以区分非正常的、潜在的入侵性行。
数据挖掘算法在入侵检测中的应用分析
Ｉ ｔ ｅ ｍｓ ｅ ｔ ｓ 代替 。第 四步 ，序 列阶段 ，利用大数据项集发掘 序列
模式 。第五步 ，序列最高化阶段找出所有序 列模式的最高序列 数据挖掘 分析方法有 ：关联分析 、序列分析 、聚类分析和 分类 集 。 分析 。 （ ２ ）序 列模 式分析在入侵检测 中的应用 。序列模式 分析
南枉科 技 ２ ０ １ ３ 年Ｉ ｇ ５ １ ｔ ￣
信 息 纵 横
数据 挖掘算法在入 侵检测 中的应用分析
耿 风
４ ７ ５ ０ ０ ４ 河 南开 封 黄 河 水 利职 业 技 术 学 院
摘 要 本 文 在介 绍 了入侵 检 测技 术 和数 据 挖掘 的基 础 上 ，重 点分 析 了数 据 挖 掘 的 关联 分析 、序 列 分析 、聚 类 分 析 和
同时保证 规则的支持度和信任度大于用户预先指定的最小支持
系，运用序列分析发现入侵行为的序列关系 ，从 中提取 出入侵 度和最小信任度 。关联分析就是要发现关联规则 ，找 出给定数 行为之间的时间序列特征 。序列模 式分析 一般不单独使用 ，它 据集 中数据项之间的联系。也就是给定一组Ｉ ｔ ｅ ｍ和一个记录集 可用 于入侵检 测过程 的某一步骤 ，从数 据中挖掘 用户序 列模 合 ，通过分析记录集合 ，推导 出Ｉ ｔ ｅ ｍ问的相 关性 。
保证 系统 安全的 目的… 。根据检测方法 的不同 ，入侵检测可 以 分为误用检测和异常检测两种 。 目前 ，大多数网络入侵检测 系 统 都是事先设定好入侵规则库 ，然后通过规则匹配来发现入侵 数据 ，也就是所 渭的误用检测机制 。这一做法的最大缺点就是
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
述 的规 则 ， 使规 则 易于理 解 ， 用 演化 规 划全局 寻 优 的能 力得 到较 好 的 入侵 检 测 规 则 ， 而 降低误 利 从
报 率和 漏报 率 文 中改进 了适 应度 函数 。 最后 给 出 了实验 结果 ， 与其 它 文献 的 同类 实验 结果 进行 并
了比较 ， 明 了改进 演化规 划 的有 效性 和先进 性 ． 证
即规则 前件 ） 对应 各种 条件 的联系 ， 如果 条件 核 实 正确 ， 明包 含条 件 第 二部 分 （ｈ ｎ部 分 ， 表 ｔｅ 即规 则后 件 ） 是
满足要 求 的［ ．
个体是 用功 能符 号集 和终 止符 号集 对 问 题 的 自然 描 述 ， 体 的 功 能 符 号 集 有 三 个 逻辑 符 号 Ｏ Ａ 个 Ｒ、 ＮＤ 和 Ｎ Ｔ组 成 ， 止 符号集 是入侵 数据各 种属性 名 、 系符 及其 对应模 糊值 的集 台 ， Ｏ 终 关 表示方 法 为（ 图 １ ： 如 ）
本 文 中将 个 体用 ｉ—ｔｅ ｆ ｈｎ的产生 式规则 表示 ． 这是 机器 学 习和数 据挖掘 中常用 的知识 表示 方式 ， 于人 便 的理解 ， 此外 这 种表示 方式表 示 的知识相互 独立 便 于替 换 ． —ｔｅ ｉ ｈｎ的规则 由两部分 组成 ， 一部分 （ｆ 分 ， ｆ 第 ｉ部
｛
ｓｌｃ ｏ ｅａｉ ； ／ ｅ ｔ ｐｒｔ ｎ ／ 依据 适应 度选 择两 个个 体 参加交 叉操 作 ｅ ｏ
ｃｏｓｖｒ ｐ ｒｔ ｎ ／ 交叉操 作 ｒｓ ｅ ｏ ｅａｉ ；／ ｏ ｏ ｍｕａｉ ｐｒｔ ｎ ／ 变异操 作 ｔｔ ｎｏ ｅａｉ ； ／ ｏ ｏ
ｉ ｉ ２： ＝ ＋
Ｖ １２ ． ０．９Ｎ０ １
Ｆ ｂ ．２ ０ ０ ６ ｅ
基 于演 化 规 划 的入侵 检 测 规 则 挖 掘 算 法
王再 见 ， 王元航
（ 徽 师 范 大 学 物 理 电于 信 息 学 院 ， 徽 芜湖 安 安 ２１０ ） ４ ０ ０
摘 要 ： 本文将 演化 规划 应用 于入侵 检 测规 则 自动提 取 ， 用演化 规划 灵 活的个体表 示得到 自然描 利
关 键 词 ： 化 规 划 ； 侵 检 测 ； 据 挖 掘 ； 应 度 函数 演 入 数 适
文献标识码 ： Ｐ ９ ．８ Ｔ ３ ３０
中图分类 号 ： Ａ
文章 编号 ：０ １— ４ ３ ２ ０ ） １ ０ ６ ０ １ ０ ２ ４ （０ ６ Ｏ —０ ２ ５
绪 论
目前 ， 对 入 侵 规 则 提 取 的 研 究 是 一 个 热 点 ， 数 据 挖 掘 方 面 ， 有 多 种 算 法 用 于 入 侵 规 则 提 针 在 已 取…【儿 ｌ ３， 但所 提取 的入 侵规则 普 遍存在 检 测准确 度低 ｌ 和算 法个体 表 达不是 自然 描述 ｌ ］ ， 演化规 划属 于进化 计 算 （ Ｃ：Ｅ ｏｕｉ ａｙＣ ｍｐ ｔｔ ｎ 模 型 一种 ， Ｅ ｖｌｔ ｎ ｒ ｏ ｕａｉ ） ｏ ｏ 具有 很 强 的全 局 寻 优 的 能力 ， 外 ， 此 演化 规划 的输入 、 中间 结果 和输 出是 问题 的 自然 描述 ， 无需 或 少需对 输入 数据 的预 处理和 对输 出结果 的后 处 理， 这有利 于从 网络数据 中提取较 佳 的入侵 检测 规则 ］演 化规 划 算法 已被用 来解 决 很 多 实际 应 用 问题 ， ． 并 取 得了 良好 的效 果【 但 在入侵 检测 领 域应 用 并 不多 ， 献 ｜ 将 演化 规 划 用 于 其 入侵 检 测 模 型 中智 能 主体 ， 文 ８ ］
维普资讯
２ ９卷第 １ 期
王再见 ， 王元航 ： 基于演化规划的入侵检测 规则挖掘算法
２ ７
｝
ｇ ｎｒｔ ｎ ／ 新操 作 ｅ ｅａｉ ；便 ｏ ｝ １ ２ 个 体 表达 ． 初 始个体 为所要解 决 问题 的各 种可能 的符 号表 达式 （ 法树 ） 算 ．
能力 得 到较 好 的入侵检 测规则 ， 而 降低误 报率 和漏 报率 ． 中我们 改进 适应 度 函数 ， 从 文 给出 了实验 结果 ， 与 并 其他 文献 的同类实 验结 果进行 了 比较 ， 明 了改进 演 化规 划 的有效性 和 先进性 ． 证
１ 基 于演 化 规 划 的入 侵 检 测 规 则挖 掘 算 法
１ １ 算法 流程 ． ｉｉａｉ ；／ ｎｔ ｌｅ ／ 随机产 生 ｎ个 个 体生成 初 始种群 ｉｚ
ｓ ｔ ｔ ｓ ／ 适应 度评 估 ｔ ｉ ｉ ；／ ａ ｓｃ
ｗｈｌ ＮＯ Ｎ ｉ ／ 备份 上一代 种群 ｔｎ
ｗ ｉ（＜ｎ ｈｌ ｉ ） ｅ
的主动进 化 ，
目前 尚未 见有文献 将 演化规 划算 法用 于入 侵规则 的提 取 ． 文将 改进 的演化规 划 应 用 于入 侵检 测规 则 本 自动提取 ， 利用演 化规 划灵 活的个 体表 示得 到 自然描 述 的规 则 ， 规则 易 于理 解 ， 用 演 化 规划 全局 寻优 的 使 利
维普资讯
第２ ９卷 １ 期
２ ６年 ２ ００ 月
Ｊｕｎ安 ｆ ｎ ｕ Ｎ大ｍａ Ｕｎｖｒｉ Ｎ ｔｒｌ ｅｃ） ｏ ｒａ ｏ 师 范 ｏ 学 ｉ （ｙ（科 学 版Ｓ ｉ ｅ ｌ 徽 ｈ ｉ ｒ ｌ学 搬 ｓ Ａ ｅ 自然 ａｕａ ） ｎ ｔ ｃ
收 稿 日期 ： ０ ５ ０ —１ ２ ０ ８ ５
基金项目： 国家 自然科 学 基 金 重 大研 究 计 划 重 点 项 目 （０ ００ ０ ； 徽 省 教 育厅 ２０ ９ １４ ３ ） 安 ０ ６年 自然 科 学基 金项 日
作 者 简 介 ： 再 见 （９ ０ ）男 ， 士 ， 徽 定 远 县人 ， 要 研 究 方 向 ： 息 处 理 ， 侵 检 测 土 １８ 一 ， 硕 安 主 信 入