基于改进随机决策树的入侵检测模型研究
随着计算机技术和Internet技术的迅猛发展和广泛应用,计算机网络安全问题日益突出和复杂。入侵检测技术作为一种网络技术对网络安全起着重要的作用,将数据挖掘引入到入侵检测中使其可以适应海量数据的环境,同时,提高了自适应和自学习能力。本文提出了一种基于改进随机决策树RDT的入侵检测模型,针对RDT模型处理连续属性的不足,开展了基于密度聚类的连续属性离散化方法的研究。实验证明了将改进的RDT用于入侵检测可以快速的检测出入侵对象,有较好的时空性能、较低了误报率和漏报率,可以准确地提取入侵模式和用户特征,提高了检测的效率,具有很强的可扩展性和环境适应性。
数据挖掘 入侵检测 随机决策树 连续属性离散化 网络安全
李楠 胡学钢 王东波
合肥工业大学计算机与信息学院 合肥 230009
国内会议
浙江宁波
中文
1678-1681
2007-08-25（万方平台首次上网日期，不代表论文的发表时间）