频繁情节挖掘算法在伪装检测中的应用

doi:10.3778/j.issn.1002-8331.2009.03.061

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (3): 205-206.DOI: 10.3778/j.issn.1002-8331.2009.03.061

频繁情节挖掘算法在伪装检测中的应用

于枫¹,高德远¹,王敏²

1.西北工业大学计算机学院，西安 710072
2.空军工程大学信息对抗系，西安 710068

收稿日期:2008-09-22 修回日期:2008-12-01 出版日期:2009-01-21 发布日期:2009-01-21
通讯作者: 于枫

Applying frequent episode algorithm in masquerade detection

YU Feng¹,GAO De-yuan¹,WANG Min²

1.School of Computer，Northwestern Polytechnical University，Xi’an 710072，China
2.Department of Information Antagonism，Air Force Engineering University，Xi’an 710068，China

Received:2008-09-22 Revised:2008-12-01 Online:2009-01-21 Published:2009-01-21
Contact: YU Feng

摘要/Abstract

摘要： 伪装攻击就是未授权用户通过伪装成合法用户来获得访问关键数据或更高层访问的权限。长久以来，检测伪装攻击在保障系统的网络安全中发挥着巨大的作用。首先讨论了一个用于评价伪装攻击检测算法有效性的方程，而后描述了频繁情节算法在检测伪装攻击中的应用，最后，采用SEA数据集对该算法进行了评估。结果证明频繁情节算法在检测伪装攻击时是行之有效的。

关键词: 频繁情节, 入侵检测, 伪装攻击检测

Abstract: Masquerade attacks are attempts by unauthorized users to gain access to critical data or higher access privileges，while pretending to be legitimate users.Detection of masquerade attacks is playing an important role in system security.This paper，discusses a formula to evaluate the effectiveness of masquerade detection algorithm and also presents an effective approach to masquerade detection by using frequent episode algorithm.It evaluates the method by performing experiments over UNIX command records from the SEA dataset.The result shows that the approach is quite effective in masquerade detection.

Key words: frequent episode, intrusion detection, masquerade detection

于枫¹,高德远¹,王敏². 频繁情节挖掘算法在伪装检测中的应用[J]. 计算机工程与应用, 2009, 45(3): 205-206.

YU Feng¹,GAO De-yuan¹,WANG Min². Applying frequent episode algorithm in masquerade detection[J]. Computer Engineering and Applications, 2009, 45(3): 205-206.

[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]	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.
[13]	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.
[14]	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.
[15]	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.

频繁情节挖掘算法在伪装检测中的应用

Applying frequent episode algorithm in masquerade 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