基于混合学习模型的入侵检测方法研究

本项目针对入侵检测问题，研究混合学习模型实现入侵检测的效果以及在检测结果上的可理解性、可解释性。入侵检测问题是信息安全领域研究的重要内容，相关的学者和研究人员在设计实时有效的入侵检测系统上做了大量的工作，这些模型和方法主要立足于检测的效率和精确率，经过不懈地探索和改进，无论在理论还是技术方面都有了很大的提高。本项目研究的基于混合学习模型的入侵检测方法与其他方法的不同之处在于：基于混合学习模型的入侵检测方法结合了符号模型的可理解可解释性与非符号模型的可在线学习优势，在获得令人满意的入侵检测效率的同时，能够从模型的学习结果中了解对入侵检测具有重大影响的特征信息，即训练的结果能够以低复杂度的布尔函数或规则表示，从而实现检测结果的可解释、可理解性，并且为入侵检测的进一步研究提供具有启发意义的信息。