论文部分内容阅读
随着计算机技术的快速发展及其在铁路信号系统应用，系统变得日益智能化，其自身不安全性也为恶意攻击者提供了入侵铁路信号系统的机会，有可能造成不良后果和不可估量的经济损失，因此急需在系统中引入入侵检测技术。本文以提高入侵检测系统的检测准确率为目标，针对检测数据的高维性和入侵检测的分类本质，研究了特征降维技术和入侵分类算法，设计了一个入侵检测集成模型。主要包括以下内容: (1)数据样本集的高维特性使得入侵检测算法承受较高的计算量。本文设计了基于信息增益和主成分分析的两阶段特征降维方法来减少数据的特征维数。在第一阶段，采用信息增益算法将数据的特征按重要性进行降序排序，引入K近邻算法作为评价函数选择最优的特征子集，去掉无关特征，在第二阶段，利用主成分分析方法对特征子集再次降维，消除特征之间的相关性，最后得到的新特征作为入侵检测方法的实验数据特征。 (2)针对传统BP神经网络存在经常性陷入局部最优，导致分类效果不理想的问题，本文使用粒子群优化算法(PSO)对BP神经网络的初始权值和阈值进行优化;为了避免过度拟合，提高对未知数据的分类精度，用C4.5算法建立分类器时，选择悲观误差剪枝算法对生成的决策树进行剪枝。基于这两种优化算法构建入侵检测模型，在KDD CUP99数据集上的实验表明，与经典BP神经网络相比，本文提出的PSO-BP神经网络模型能有效的提高入侵检测的分类准确性。 (3)为进一步提高入侵检测系统的检测精度和降低漏报率，本文综合不同分类器的优势设计了一种集成入侵检测器。首先使用IG-PCA特征降维方法对数据集进行数据压缩处理，选取PSO-BPNN，C4.5，KNN建立的分类器作为基分类器，分别对数据类型进行识别，引入加权投票方法来决策最终的分类结果。将设计的入侵检测器应用在从高铁列控系统无线闭塞中心测试平台上收集的数据集上，实验结果表明设计的模型能有效的检测出铁路信号系统上的入侵行为。