基于分布式及协同式网络入侵检测技术综述

doi:10.3778/j.issn.1002-8331.1801-0151

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (8): 1-6.DOI: 10.3778/j.issn.1002-8331.1801-0151

基于分布式及协同式网络入侵检测技术综述

刘海燕，张钰，毕建权，邢萌

陆军装甲兵学院信息通信系，北京 100072

出版日期:2018-04-15 发布日期:2018-05-02

Review of technology based on distributed and collaborative network intrusion detection

LIU Haiyan, ZHANG Yu, BI Jianquan, XING Meng

Department of Information and Communication, Army Academy of Armored Forces, Beijing 100072, China

Online:2018-04-15 Published:2018-05-02

摘要/Abstract

摘要： 在当今信息化社会，网络入侵检测技术是信息安全保障领域的重点技术之一。随着大数据时代的到来，网络入侵检测技术正在向着多结构、多方法、多应用领域的方向发展。针对这个发展趋势，综述了网络入侵检测技术的最新研究情况，包括基本概念、系统模型、检测方法、应用领域等，其中重点分析了系统模型和检测算法的研究现状以及存在的问题，并提出发展趋势。同时，也介绍了大数据背景下网络入侵检测技术的新型应用领域。

关键词: 网络入侵检测, 入侵检测系统, 入侵检测算法, 大数据

Abstract: Network intrusion detection technology is one of the key technologies in the information security of information society today. With the dawn of big data era, network intrusion detection technology is moving in the direction of multi-structure, multi-method and multi-application. In view of this trend, the paper summarizes the latest research situation of network intrusion detection technology, including basic concepts, system models, detection methods, and application fields, etc. It focuses on the research status and existing problems of the system model and detection algorithms, and puts forward developing trend. At the same time, it also introduces the new application of network intrusion detection technology in the background of big data.

Key words: network intrusion detection, intrusion detection system, intrusion detection algorithm, big data

刘海燕，张钰，毕建权，邢萌. 基于分布式及协同式网络入侵检测技术综述[J]. 计算机工程与应用, 2018, 54(8): 1-6.

LIU Haiyan, ZHANG Yu, BI Jianquan, XING Meng. Review of technology based on distributed and collaborative network intrusion detection[J]. Computer Engineering and Applications, 2018, 54(8): 1-6.

[1]	吴昊，徐行健，孟繁军. 课程资源的融合知识图谱多任务特征推荐算法[J]. 计算机工程与应用, 2021, 57(21): 132-139.
[2]	吴东阳，窦建平，李俊. 四旋翼飞行器的数字孪生系统设计[J]. 计算机工程与应用, 2021, 57(16): 237-244.
[3]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[4]	李凌，顾晓梅，刘子豪. 多子域随机森林在情境感知推荐中的应用研究[J]. 计算机工程与应用, 2020, 56(22): 132-141.
[5]	王永贵，郭昕彤. SparkSql上自适应数据集的高效频繁集挖掘算法[J]. 计算机工程与应用, 2020, 56(21): 72-78.
[6]	张萌，孙秉珍，楚晓丽. 基于邻域代价敏感三支决策的痛风诊断模型[J]. 计算机工程与应用, 2020, 56(16): 218-225.
[7]	邬阳阳，汤建国. 大数据背景下粗糙集属性约简研究进展[J]. 计算机工程与应用, 2019, 55(6): 31-38.
[8]	王静宇，栾俊清，谭跃生. 基于数据敏感性的大数据访问控制模型研究[J]. 计算机工程与应用, 2019, 55(23): 70-77.
[9]	侯屿1，2，秦小林2，彭皓月1，2，张力戈1，2. 全局调距和声特征选择算法[J]. 计算机工程与应用, 2019, 55(2): 21-27.
[10]	王德贤，何先波，贺春林，周坤，陈敏治. 结合L1和L2正则化约束的隐语义预测模型研究[J]. 计算机工程与应用, 2019, 55(19): 121-127.
[11]	王渊，彭晨辉，王志强，范强，姚一杨，华召云. 知识图谱在电网全业务统一数据中心的应用[J]. 计算机工程与应用, 2019, 55(15): 104-109.
[12]	李宇帆1，张会福2，刘上力2，唐兵1. 教育数据挖掘研究进展[J]. 计算机工程与应用, 2019, 55(14): 15-23.
[13]	曹菁菁1，任欣欣2，徐贤浩2. 基于并行Apriori的物流路径频繁模式研究[J]. 计算机工程与应用, 2019, 55(11): 257-264.
[14]	赵建堂. 大数据分割式极限学习机算法[J]. 计算机工程与应用, 2019, 55(10): 73-76.
[15]	康家兴，牛保宁，郝晋瑶. 多参数的城市时空热点查询[J]. 计算机工程与应用, 2019, 55(10): 233-239.

基于分布式及协同式网络入侵检测技术综述

Review of technology based on distributed and collaborative network intrusion detection

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics