科创中国

电子信息技术

现有无监督学习和有监督学习在入侵检测领域的应用技术上存在不 足之处， 本成果提供一种基于半监督学习的入侵检测方法， 采用了特征选择的方法处 理网络环境数据中容易出现的冗余现象， 利用少量带标签样本与大量未标记的数据来 创建半监督学习模型， 在降低误报率、提高检测率的同时， 能够减少数据冗余， 提高检测效率。

近年来， 网络安全事件频发， 网络安全问题引起了很多国家的高度 关注。自 1980 年第一次公开的安全漏洞报告以来，网络攻击的方式和类型变得越来 越复杂， 使得网络攻击行为难以侦测。按照检测方法不同， 入侵检测方法可以分为两 类：基于误用的入侵检测和基于异常的入侵检测。 经典的基于误用的检测方法依赖 于攻击类型的已知特征，因此缺乏检测未知攻击的能力。 相比之下，基于异常的方 法建立系统正常状态的模型， 通过对比系统状态的变化来实现入侵检测， 因此能够实 现对于未知攻击类型的检测。利用机器学习的技术实现入侵检测是一类有效的保护手段， 并且越来越受到各个 组织机构的重视。根据学习数据的类型， 机器学习方法可以分为三类： 监督学习， 无 监督学习和半监督学习。基于监督学习的入侵检测算法利用带标签样本构建正常状态 和异常状态的模型， 该方法的缺点是无法对先前未建模的行为进行分类， 因此不能未 知的攻击类型进行检测。并且， 正确地标记大量的训练数据花费巨大， 耗时严重。相比之下， 无监督的机器学习技术不需要对于训练数据的先验知识， 它使用聚类方法来 计算未标记样本的统计分布。

朱培栋，男，博士，教授，2011年起任国防科技大学计算机学院博士生导师，现任长沙学院电子信息与电气工程学院院长，信息与通信工程省“双一流”重点应用特色学科带头人，湖南省光电健康检测工程技术研究中心主任。IEEE（国际电气电子工程师协会）通信学会高级会员，中国电子学会首届云计算专家委员会专家，中国计算机学会互联网专委会和物联网专委会委员；曾任加拿大圣泽威尔大学James客座讲席教授；2014年全国复杂网络大会副主席。主要研究新一代互联网、网络安全、网络科学和网络思维。先后负责20余项国家和部委级等科研课题，作为第一完成人，授权发明专利19项，登记软件著作权7项，获全国发明博览会铜奖一项。获部委级科技进步奖2项，自然科学奖1项。独立专著1部，合著合译学术著作9部，发表学术论文220余篇，SCI/EI索引160余篇；出版教材2部，教学研究著作1部，发表教学研究论文20篇，其中2篇为封面论文，获评《计算机教育》杂志创刊15周年“十佳作者”。“计算机网络”国家级精品课程主讲教师，网络思维的系统阐释者和积极倡导者，获部委级教学成果一等奖1项； 指导博士硕士生80余名，2人获省部级优秀学位论文。

点击查看