基于LZW算法和贝叶斯MARS的入侵检测研究

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (6): 86-89.

基于LZW算法和贝叶斯MARS的入侵检测研究

李智慧，王晴，邵春艳，张束

哈尔滨工程大学计算机科学与技术学院，哈尔滨 150001

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-02-21 发布日期:2012-02-21

Research on intrusion detection based on LZW algorithm and Bayesian MARS

LI Zhihui, WANG Qing, SHAO Chunyan, ZHANG Shu

Computer Science and Technology College, Harbin Engineering University, Harbin 150001, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-02-21 Published:2012-02-21

摘要/Abstract

摘要： 提出了一种基于LZW算法的入侵检测算法。使用系统调用序列作为特征数据，采用LZW算法对系统调用序列数据进行变长短序列划分，同时对短序列进行压缩，并在应用的过程中对LZW算法进行适当调整以适应序列的划分。通过贝叶斯多元自适应回归样条（贝叶斯MARS）模型，对正常和异常序列进行分类并标识入侵。实验结果表明，基于LZW变长序列划分方法符合系统调用序列的内在规律，在较高压缩比的情况下，获得了很好的检测性能。LZW算法与贝叶斯MARS相结合的入侵检测算法，对各种数据表现稳定，具有一定可行性和实用性。

关键词: 入侵检测, 系统调用, LZW算法, 变长序列划分, 贝叶斯多元自适应回归样条（贝叶斯MARS）

Abstract: An approach of intrusion detection based on LZW algorithm is proposed. System call sequences are used as feature data. And the system call sequences are divided in the way of variable length and compressed by LZW algorithm before detecting. In application of LZW algorithm, it is adjusted to be adapted to division of variable length sequences. Bayesian Multivariate Adaptive Regression Spline（MARS） is used as classifier to identify the intrusion data. The experimental results show that LZW algorithm conforms to the inherent law of system call sequence. A good performance is achieved with a high compression ratio. The intrusion detection algorithm combining with LZW and Bayesian MARS algorithm performs steadily with various data, which is practicable and feasible.

Key words: intrusion detection, system call, LZW algorithm, variable-length sequence division, Bayesian Multivariate Adaptive Regression Spline（Bayesian MARS）

李智慧，王晴，邵春艳，张束. 基于LZW算法和贝叶斯MARS的入侵检测研究[J]. 计算机工程与应用, 2012, 48(6): 86-89.

LI Zhihui, WANG Qing, SHAO Chunyan, ZHANG Shu. Research on intrusion detection based on LZW algorithm and Bayesian MARS[J]. Computer Engineering and Applications, 2012, 48(6): 86-89.

[1]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[2]	曹磊，李占斌，杨永胜，赵龙飞. 基于双层注意力神经网络的入侵检测方法[J]. 计算机工程与应用, 2021, 57(19): 142-149.
[3]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[4]	巩俊辉，胡晓辉，杜永文. 基于演化博弈的最优防御策略选取研究[J]. 计算机工程与应用, 2021, 57(13): 116-123.
[5]	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.
[6]	陈虹，王闰婷，肖成龙，郭鹏飞，黄洁，陈红霖. 基于DBN-XGBDT的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(22): 83-91.
[7]	狄冲，李桐. 网络未知攻击检测的深度学习方法[J]. 计算机工程与应用, 2020, 56(22): 109-116.
[8]	汪盼，宋雪桦，王昌达，陈锋，徐夏强，蔡冠宇. 基于改进的深度信念网络的入侵检测方法[J]. 计算机工程与应用, 2020, 56(20): 87-92.
[9]	陈虹，赵建智，肖成龙，陈建虎，肖越. 改进ADASYN-SDA的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(2): 97-105.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	吴德鹏，柳毅. 基于可变网络结构自组织映射的入侵检测模型[J]. 计算机工程与应用, 2020, 56(12): 81-86.
[12]	毛英明1，陆慧梅1，向勇2. Linux系统调用跟踪和进程错误退出分析[J]. 计算机工程与应用, 2019, 55(6): 57-66.
[13]	刘月峰1，王成1，张亚斌1，苑江浩2. 用于网络入侵检测的多尺度卷积CNN模型[J]. 计算机工程与应用, 2019, 55(3): 90-95.
[14]	蒋欣兰，贾文博. 高铁接触网异物侵入的机器视觉检测方法[J]. 计算机工程与应用, 2019, 55(22): 250-257.
[15]	马占飞1，杨晋2，金溢2，边琦3. 基于IQPSO-IDE算法的网络入侵检测方法[J]. 计算机工程与应用, 2019, 55(10): 115-120.