基于行为模式挖掘的网络入侵检测

基于系统模型DMIDS，提出了一种有效防范网络入侵的方法。该方法基于IP包信息挖掘出用户的频繁行为模式，能自动建立正常和异常的用户行为规则库；利用相似性匹配，能实时地检测出已知的和未知的攻击。详细介绍了用户频繁行为模式挖掘算法－－IDSPADE，实验结果表明该算法能够有效地发现多种网络入侵行为。和现有基于知识工程的方法相比，该方法具有更高的智能性和环境适应性。     

一种多级安全系统模型的隐通道流量分析

利用Markov状态机形式化地描述了一种多级的，基于模式转换的安全系统模型，该模型利用系统可分分性构筑，将一个多级的安全系统划分成多个运行模式，利用该模式可提高所设计系统的灵活性，但该模型存在隐通道问题，利用香农信息论和广义图灵测试模型证明该模型中隐通道流量存在上限并给出定量分析，从而为达到可控的系统安全性和灵活性平衡提供了理论基础，采用该系统模型和隐通道流量分析，通过限制模式转换频率和限制参与转换的资源数目等方法可控制隐通道隐患。     

一种新的Web事务模糊聚类算法的研究

提出了一种新的Web事务模糊聚类算法。首先，在Web日志预处理后建立Web站点用户访问矩阵，矩阵元素为用户访问离散化时间，在此基础上进行Web事务群体的模糊聚类，最后对在线的活动Web事务进行类别归属。经实验证明，该算法比已有的算法准确性高，运行时间少，扩展性好，它可以广泛地应用于电子商务领域，如个性化Web和Web推荐系统等。     

用户浏览偏爱模式挖掘算法的研究

针对当前的挖掘算法只是简单地把频繁访问路径作为用户浏览的兴趣路径的问题，充分地考虑了用户在页面上的浏览时间和在路径选择上表现出来的浏览偏爱，提出了基于远程代理数据收集的浏览偏爱模式挖掘算法。该算法先利用客户端的远程代理收集用户浏览信息，然后划分成用户事务，最后利用一个递归过程找出用户浏览偏爱模式。实验证明：该算法比当前的频繁访问路径算法在用户浏览兴趣度量上更准确。     

一种新的组合k-近邻预测方法

针对传统k-近邻(k-NN)算法基于单一k值预测难以兼顾不同样本的个性,从而导致总体预测精度不够理想的问题,提出了一种组合Bk-NN预测方法.首先通过Boosting理论建立了个性化预测模型集,然后分别采用每个模型对样本进行独立预测,最后各模型预测值的加权和将作为最终预测结果.Bk-NN预测充分考虑了不同类型的样本可能要求不同的预测模型与之相适应的情况,有效降低了预测误差.与其他方法不同的是,Bk-NN预测对数据集的属性类型没有特殊要求.在标准数据集上的实验结果表明,Bk-NN预测精度比传统k-NN方法平均提高了6.44%～15.25%.