基于GR-AD-KNN算法的IPv6网络DoS入侵检测技术研究

• 作者: 赵志强 易秀双 李婕 王兴伟
• 来源期刊: 计算机科学
• 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
• 年，卷（期）: 2021,（z1）
• 所属期刊栏目: 信息安全|Information Security
• 页码范围: 524-528
• 页数: 5页
• 分类号: TP393.0
• 语种: 中文
• DOI: 10.11896/jsjkx.200500001

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.