| 题名 | 云环境下移动智能终端入侵检测方法研究 |
| 作者 | MUGABO Emmanuel |
| 答辩日期 | 2019 |
| 导师 | 张秋余 |
| 关键词 | 移动云计算 入侵检测系统 支持向量机 随机森林 信息增益 MapReduce 特征选择 |
| 学位名称 | 硕士 |
| 英文摘要 | 随着互联网技术的迅猛发展,以及云计算与移动智能终端技术的相互融合产生了移动云计算(Mobile Cloud Computing,MCC),并引起学术界和工业界的广泛关注。根据2016年思科IBSG数据显示,全球近85%的人口都在使用移动终端设备。然而,由于MCC具有分布式、用户访问量大和操作简便等特性,入侵者亦可在无管理员授权的情况下使用云计算和云存储等服务。针对移动云计算中的安全问题,许多研究学者采用防火墙技术和入侵检测系统(Intrusion Detection System,IDS)等网络信息安全技术来保障移动云计算安全。但现有研究依然存在较多的安全问题,如防火墙技术可扩展性和自适应性较差,IDS的检测精度低、误报率高以及数据属性冗余等问题。针对现有IDS存在的上述问题,论文采用基于分类和信息论的机器学习方法构建了入侵检测系统的入侵检测模型。论文采用的基于分类的机器学习方法和特征选择方法包括:支持向量机(Support Vector Machine,SVM),随机森林(Random Forest,RF),信息增益(Information Gain,IG)和用于进化特征选择的MapReduce(MapReduce for Evolutionary Feature Selection,MR-EFS)。主要研究工作如下:1.为了提高入侵检测分类的准确率并降低高误报率,采用支持向量机(SVM)和随机森林(RF)两种分类器对正常或恶意攻击进行了分类识别。2.实验采用KDD99和NSL-KDD等公共数据集,但这些公共数据集中仍存在冗余属性和重复无效数据记录的现象。为了处理数据属性冗余问题,论文采用了基于信息增益(IG)的特征选择和用于进化特征选择的MapReduce(MR-EFS)方法。在论文中,采用了基于IG的特征选择和MR-EFS方法来消除冗余和不相关的特征。实验结果表明,利用所提特征选择方法可有效地降低实验数据集的数据维度和计算复杂度。3.入侵检测系统作为一种实现网络安全的重要技术,广泛用于检测网络中的恶意访问和入侵攻击。结合上述问题,本研究将IDS技术引入到MCC中实现了入侵检测和攻击防护,并提出了两种基于移动智能终端的入侵检测方法。实验结果表明,提出的两种入侵检测方法对MCC中的恶意攻击具有很高的入侵检测精度和较低的误报率。 |
| 语种 | 中文 |
| 页码 | 97 |
| URL标识 | 查看原文 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/95545]  |
| 专题 | 兰州理工大学 |
| 作者单位 | 兰州理工大学 |
| 推荐引用方式 GB/T 7714 | MUGABO Emmanuel. 云环境下移动智能终端入侵检测方法研究[D]. 2019. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论