基于GR-AD-KNN算法的IPv6网络DoS入侵检测技术研究

摘要：

随着IPv6网络流量的快速增加和复杂化,传统入侵检测系统Snort是基于具体规则对DoS攻击进行检测的,这降低了IDS的检测性能.为了解决IPv6网络环境下的DoS入侵检测问题,采用了机器学习中的轻量级KNN的优化算法.首先,通过信息增益率实现特征的双重降维,针对具有较多类型子特征的离散特征进行选择和聚合,以实现进一步降维,减小实际运算的特征维度.其次,利用信息增益率作为优化样本欧氏距离测量的权重.基于所提出的反向距离影响力的度量指标,对KNN算法的分类决策算法进行了优化,使检测技术的效果得到进一步提高.实验结果表明,相比传统基于平均距离的TAD-KNN算法和仅优化距离定义的GR-KNN算法,GR-AD-KNN算法在IPv6网络流量特征检测中不仅可以提升整体检测性能,同时还对小群体样本分类拥有更好的检测效果.

关键词：GR-AD-KNN算法、平均增量距离决策、双重降维、IPv6、信息增益率

所属期刊栏目：48

分类号：TP393.0(计算技术、计算机技术)

资助基金：国家重点研发计划;国家自然科学基金;辽宁省高等学校创新团队支持计划;创新项目

在线出版日期：2021-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：524-528