】為了提高分類器的正確率和減少訓練時間，將特征提取技術與分類算法結合，提出了一種基于核Fisher鑒別分析和最小極大概率機算法的入侵檢測算法。利用核Fisher鑒別分析技術提取關鍵特征，運用最小極大概率機對提取特征后的數據進行分類，采用離線數據集KDDCUP99進行實驗。實驗結果表明，該算法是可行和有效的，使分類性能和訓練時間都得到了提高。
關 鍵 詞 數據分類; 入侵檢測; 核Fisher鑒別分析; 最小極大概率機; 網絡安全

在網絡飛速發展的今天，如何有效地發現新的入侵行為，對于保證系統和網絡資源的安全非常重要。入侵檢測作為網絡安全措施的一個重要環節，也越來越受到人們的關注。
入侵檢測可以看作是一個模式分類和識別問題，即通過對網絡數據的分析，判斷網絡用戶的狀態，從而確定網絡行為是否正常。近年來，為了獲得更好的檢測效果和提高檢測系統的實時性，研究人員將智能學習算法和統計學理論(如免疫算法[1]、神經網絡[2]、支持向量機[3-5]和分類器融合方法[6]等)應用于入侵檢測，使檢測的效果和檢測速度都得到了改善和提高。但隨著網絡數據規模的不斷增大，僅僅依靠分類算法已不能滿足對入侵檢測性能提升的需要。基于上述原因，本文選擇對網絡數據進行預先處理，利用特征分析技術提取入侵數據的關鍵特征，通過降低數據集的維數降低數據的復雜性，然后再使用分類算法對降維后的數據集進行訓練和檢測。實驗結果表明該方法提高了對入侵的檢測率，降低了分類器的訓練時間。
本文選用核Fisher鑒別分析和最小極大概率機(Minimax Probability Machines)算法[7]進行入侵數據集合關鍵特征的提取和分類，并提出了一種基于核Fisher鑒別分析(Kernel Fisher Discriminant Analysis，KFDA)和最小極大概率機(Minimax Probability Machines，MPMs)的入侵檢測算法。
1 基于KFDA-MPM的入侵檢測
1.1 基于KFDA的特征抽取
設X={},i=1,2,??N為訓練樣本集。x代表類別的第i個樣本，=1,2,??,K；每個類別含有個樣本。經過非線性映射jNφ，在特征空間H上應用Fisher鑒別準則函數：