一種新的基于數(shù)據(jù)挖掘技術(shù)的異常入侵檢測系統(tǒng)研

入侵檢測系統(tǒng)IDS(intrusion detection system)是用戶計(jì)算機(jī)主動(dòng)安全防護(hù)的一種措施，它用于檢測未經(jīng)用戶授權(quán)直接進(jìn)行計(jì)算機(jī)信息訪問的行為，它從系統(tǒng)內(nèi)部和各種網(wǎng)絡(luò)資源中主動(dòng)采集信息，從中分析可能的異常入侵。根據(jù)入侵檢測方法，IDS分為異常檢測系統(tǒng)和誤用檢測系統(tǒng)兩大類。誤用檢測系統(tǒng)只能檢測出已知特征模式的攻擊，對未知特征模式的攻擊無法檢測。而異常檢測系統(tǒng)采用將系統(tǒng)當(dāng)前的活動(dòng)與過去行為模型進(jìn)行比較的方法,能夠有效地對新的、未知的攻擊進(jìn)行檢測[1-3]。參考文獻(xiàn)[4] 提出了基于強(qiáng)規(guī)則和弱規(guī)則的關(guān)聯(lián)規(guī)則挖掘方法來檢測異常操作較少和分布時(shí)間長等不易的網(wǎng)絡(luò)攻擊。同時(shí)建立以各屬性為節(jié)點(diǎn)的貝葉斯網(wǎng)絡(luò)作為異常判別器，進(jìn)一步判別關(guān)聯(lián)規(guī)則挖掘中發(fā)現(xiàn)的可疑行為，提高了系統(tǒng)檢測的準(zhǔn)確率。但是在數(shù)據(jù)訓(xùn)練階段，根據(jù)數(shù)據(jù)挖掘的要求，需要對原始的無攻擊的純凈數(shù)據(jù)信息進(jìn)行數(shù)據(jù)預(yù)處理，訓(xùn)練成適合數(shù)據(jù)挖掘的數(shù)據(jù)記錄，而數(shù)據(jù)信息抓取過程中受到網(wǎng)絡(luò)實(shí)時(shí)更新等因素的影響無法避免數(shù)據(jù)噪音，進(jìn)而影響數(shù)據(jù)信息本身的安全性，依此數(shù)據(jù)信息訓(xùn)練的數(shù)據(jù)項(xiàng)集本身也就存在了安全隱患。參考文獻(xiàn)[5]采用變長序列模式匹配算法對程序歷史行為和當(dāng)前行為進(jìn)行比較，聯(lián)合使用多個(gè)窗長度和判決門限對程序行為進(jìn)行判決，提高了檢測的準(zhǔn)確率和靈活性。但由于網(wǎng)絡(luò)數(shù)據(jù)信息量不斷膨脹，多窗口長度和判決門限會增加計(jì)算機(jī)的運(yùn)算量，造成數(shù)據(jù)擁塞，網(wǎng)絡(luò)負(fù)載加大。參考文獻(xiàn)[6]提出了一種基于時(shí)態(tài)知識模型和可變滑動(dòng)窗口的實(shí)時(shí)模式提取算法，并在此基礎(chǔ)上，實(shí)現(xiàn)了基于規(guī)則的、層次化的智能入侵檢測原型系統(tǒng)。但在匹配算法中需要逐一遍歷，對于復(fù)雜數(shù)據(jù)信息實(shí)時(shí)性難以體現(xiàn)。參考文獻(xiàn)[7]提出了一種具有自主學(xué)習(xí)、自主完善功能的入侵監(jiān)測模型,可發(fā)現(xiàn)已知和未知的異常入侵活動(dòng)。但該模型中評估指標(biāo)不具備完善性，對短時(shí)間內(nèi)正常進(jìn)程記錄監(jiān)管有限，從而更新的規(guī)則庫存在安全隱患?；谝陨蠁栴},本文提出了一種新的基于數(shù)據(jù)挖掘技術(shù)的異常入侵檢測系統(tǒng)ANEIDSDM(A New Exception Intrusion Detection System based on Data Mining)。
1 ANEIDSDM模型概述
    在ANEIDSDM模型中，數(shù)據(jù)信息E是否異常，由數(shù)據(jù)評估W決定。只有當(dāng)數(shù)據(jù)評估通過數(shù)據(jù)信息異常檢測，滿足相似度、支持度和置信區(qū)閾值時(shí)，數(shù)據(jù)信息E才被認(rèn)為是正常的數(shù)據(jù)信息，否則為異常。
　數(shù)據(jù)信息是分散地存儲于計(jì)算機(jī)和傳播于網(wǎng)絡(luò)中的，對于數(shù)據(jù)的采集是基于一定條件的，有基于主機(jī)的信息采集，也有基于網(wǎng)絡(luò)的信息采集和混合型的數(shù)據(jù)信息采集等[8]。當(dāng)數(shù)據(jù)信息采集完成后，會經(jīng)過數(shù)據(jù)預(yù)處理，形成數(shù)據(jù)項(xiàng)集S，對S分類產(chǎn)生高頻繁集和低頻繁集。對于高頻繁數(shù)據(jù)項(xiàng)集進(jìn)行模式分析，形成數(shù)據(jù)模式集O。每一種模式集都對應(yīng)一種數(shù)據(jù)規(guī)則，對數(shù)據(jù)模式集的數(shù)據(jù)分析處理過程就是數(shù)據(jù)挖掘規(guī)則過程，數(shù)據(jù)規(guī)則集Q形成后，為了便于檢測，對其進(jìn)行分類分析二次數(shù)據(jù)挖掘，形成分類規(guī)則集，最終形成規(guī)則庫K。經(jīng)過多次訓(xùn)練后，數(shù)據(jù)采集的規(guī)則庫具有一定的記憶，當(dāng)數(shù)據(jù)進(jìn)行抓取時(shí)結(jié)合記憶庫和規(guī)則庫的雙重考核，數(shù)據(jù)信息更加安全可信。
　數(shù)據(jù)挖掘過程中對數(shù)據(jù)項(xiàng)集分析產(chǎn)生的數(shù)據(jù)模式可能有用，也可能是無關(guān)的。所以為了節(jié)約計(jì)算機(jī)存儲空間和數(shù)據(jù)挖掘速度，采取以某一主屬性為特征屬性的方式對數(shù)據(jù)信息E進(jìn)行挖掘。當(dāng)待測數(shù)據(jù)信息E進(jìn)行攻擊時(shí)，啟動(dòng)檢測系統(tǒng)，快速對其數(shù)據(jù)信息進(jìn)行分析，形成數(shù)據(jù)規(guī)則集V，對規(guī)則集V實(shí)行分類匹配，對比相似度，搜索與之相對應(yīng)或相類似的規(guī)則庫對其規(guī)則集進(jìn)行檢驗(yàn)。若異常，則實(shí)行預(yù)警，否則以正常信息對待。當(dāng)數(shù)據(jù)信息龐雜時(shí)，根據(jù)分類規(guī)則庫，可快捷對數(shù)據(jù)規(guī)則集實(shí)行查找匹配，快速對數(shù)據(jù)信息進(jìn)行檢測。
　數(shù)據(jù)檢測時(shí)結(jié)合在線滑動(dòng)窗口T，不僅對原始獲取數(shù)據(jù)信息進(jìn)行實(shí)時(shí)檢測，而且對當(dāng)前由用戶操作所引起的原始數(shù)據(jù)部分信息丟失、更改等現(xiàn)象具有一定的處理應(yīng)變能力。當(dāng)數(shù)據(jù)評估W完成后，評估結(jié)果存入決策列表L中，以供用戶決策。
　其思想有以下特點(diǎn)：(1)數(shù)據(jù)信息的采集結(jié)合主屬性產(chǎn)生高頻和低頻數(shù)據(jù)項(xiàng)集,減少了無關(guān)信息的處理過程。(2)采取關(guān)聯(lián)分析和分類分析二次挖掘，數(shù)據(jù)處理速度和數(shù)據(jù)挖掘質(zhì)量有明顯的提高。(3)在線檢測數(shù)據(jù)記錄匹配，實(shí)時(shí)性更高。(4)引入相似度匹配檢測思想，實(shí)現(xiàn)快速數(shù)據(jù)評估。
2 相關(guān)知識與定義
2.1數(shù)據(jù)挖掘
　數(shù)據(jù)挖掘(Data Mining)是指從大量數(shù)據(jù)信息中發(fā)現(xiàn)數(shù)據(jù)間的潛在規(guī)律，進(jìn)而提取人們感興趣的和有用的知識的方法和技術(shù)，這些知識具有隱含性、未知性、異常性，但又是潛在的對系統(tǒng)安全檢測有用的信息[9]。數(shù)據(jù)挖掘過程一般由三個(gè)階段組成:數(shù)據(jù)準(zhǔn)備階段(包括數(shù)據(jù)清理與集成、數(shù)據(jù)選擇與變換)、數(shù)據(jù)挖掘階段、評估與表示階段(結(jié)果表達(dá)與解釋)。數(shù)據(jù)挖掘的模式有關(guān)聯(lián)模式、分類模式、回歸模式、時(shí)間序列模式、聚類模式和序列模式六種[10]。與數(shù)據(jù)挖掘的模式相對應(yīng)的數(shù)據(jù)挖掘算法有：關(guān)聯(lián)分析算法、數(shù)據(jù)分類算法、序列分析算法和聚類分析算法等。目前，應(yīng)用于入侵檢測領(lǐng)域的數(shù)據(jù)挖掘算法主要是關(guān)聯(lián)分析算法、數(shù)據(jù)分類算法和序列分析算法。
    (1)數(shù)據(jù)預(yù)處理
　數(shù)據(jù)預(yù)處理模塊處理原始數(shù)據(jù)包，抽取對應(yīng)的主特征屬性組成數(shù)據(jù)信息集，提供給數(shù)據(jù)挖掘模塊。由于數(shù)據(jù)連接過程需要傳送許多數(shù)據(jù)包，而這些數(shù)據(jù)包的基本屬性很多是重復(fù)的，所以對于TCP連接，從連接建立到連接終止過程中所有數(shù)據(jù)包的傳送抽象為一個(gè)連接事件，而對每一個(gè)連接事件建立一個(gè)與之相對應(yīng)的數(shù)據(jù)項(xiàng)集。對無連接的UDP，可簡單地將每一個(gè)數(shù)據(jù)包抽象成一個(gè)連接事件。
   (2)關(guān)聯(lián)規(guī)則挖掘
　關(guān)聯(lián)規(guī)則是指對數(shù)據(jù)項(xiàng)集中各種數(shù)據(jù)模式的有代表性的數(shù)據(jù)之間知識規(guī)律的規(guī)則描述。在入侵檢測系統(tǒng)中，設(shè)定一個(gè)最小支持度和一個(gè)最小置信度來度量關(guān)聯(lián)規(guī)則的相關(guān)性，從已知的數(shù)據(jù)信息中產(chǎn)生關(guān)聯(lián)規(guī)則，保證其支持度和置信度大于用戶預(yù)先設(shè)定的最小支持度和最小置信度閾值。其過程為：①特征抽取與數(shù)據(jù)預(yù)處理。數(shù)據(jù)信息被采集后形成數(shù)據(jù)項(xiàng)集，每一個(gè)數(shù)據(jù)項(xiàng)集以一個(gè)主屬性為參考，對無關(guān)數(shù)據(jù)項(xiàng)集進(jìn)行處理。②關(guān)聯(lián)規(guī)則挖掘分析。對數(shù)據(jù)模式中關(guān)聯(lián)規(guī)則的數(shù)據(jù)進(jìn)行規(guī)則挖掘。③檢測入侵。將新產(chǎn)生的關(guān)聯(lián)規(guī)則添加到關(guān)聯(lián)規(guī)則庫中去，然后將用戶行為與關(guān)聯(lián)規(guī)則庫中的規(guī)則匹配來判斷是否入侵。常見的算法有Apriori算法和AprioriTid算法。
　(3)頻度分析
　頻度分析是指在一定時(shí)間窗口事件發(fā)生的頻度，它有高頻和低頻繁兩種[11]。①高頻挖掘：即數(shù)據(jù)項(xiàng)集的屬性集大于一定支持度和置信度，如DDOS攻擊，在高頻繁挖掘時(shí)就能檢測出這類攻擊。②低頻繁挖掘：即數(shù)據(jù)項(xiàng)集的屬性集支持度低于一定閾值而置信度大于一定閾值，如慢掃描過程在單位時(shí)間內(nèi)異常掃描較少，假如只檢查高頻數(shù)據(jù)項(xiàng)集，就會漏掉這類模式的攻擊。
　(4)數(shù)據(jù)分類分析
　數(shù)據(jù)分類的目的是提取數(shù)據(jù)庫中數(shù)據(jù)項(xiàng)的特征屬性，生成分類模型，把數(shù)據(jù)庫中的數(shù)據(jù)項(xiàng)映射到預(yù)先定義的類別中的一個(gè)，異常入侵檢測時(shí)它可以用數(shù)據(jù)規(guī)則集的形式表示[12]。數(shù)據(jù)分類的步驟如下：①訓(xùn)練數(shù)據(jù)項(xiàng)集，將待測數(shù)據(jù)信息訓(xùn)練成數(shù)據(jù)規(guī)則集。②分析數(shù)據(jù)規(guī)則集，提取主特征屬性。③根據(jù)標(biāo)準(zhǔn)數(shù)據(jù)規(guī)則庫中數(shù)據(jù)規(guī)則集對待測數(shù)據(jù)規(guī)則集進(jìn)行分類。常用的分類算法有RIPPER、m3、C4.5、Near-neighbor和神經(jīng)網(wǎng)絡(luò)等。
2.2 基礎(chǔ)定義
　定義1 滑動(dòng)窗口。在t時(shí)間內(nèi)，數(shù)據(jù)匹配檢測的范圍。    設(shè)開始時(shí)間為t=nt0，則滑動(dòng)窗口T的檢測范圍為t=T+nt0。其中,t0為步長，T為窗口大小，t為時(shí)間。一般T是固定值[13]，為用戶默認(rèn)，專家可根據(jù)系統(tǒng)安全等級設(shè)置其值大小。
　定義2 相似度。數(shù)據(jù)挖掘規(guī)則庫與系統(tǒng)檢測匹配規(guī)則庫的相似性度量值。
  
    定義3 數(shù)據(jù)評估。對數(shù)據(jù)規(guī)則是否符合系統(tǒng)安全的衡量。
    設(shè)數(shù)據(jù)評估為W，則W=[正常，異常]，其評估過程為在滑動(dòng)窗口T內(nèi)對規(guī)則庫Ki的相似匹配和檢測匹配。
2.3 ANEIDSDM定義
    本模型由一個(gè)10元組{E，S，O，Q，P，K，W，T，M，L}來表示。其中E表示數(shù)據(jù)信息，包含基于網(wǎng)絡(luò)流量，基于主機(jī)和混合型的數(shù)據(jù)信息。當(dāng)獲取數(shù)據(jù)信息E后，對其形成主屬性為采集標(biāo)準(zhǔn)的數(shù)據(jù)項(xiàng)集S，如在時(shí)間、方向、端口號、主機(jī)IP地址等屬性中，以目的主機(jī)IP地址為主屬性，采集的所有數(shù)據(jù)記錄經(jīng)過數(shù)據(jù)去噪、預(yù)處理后形成數(shù)據(jù)項(xiàng)集。數(shù)據(jù)項(xiàng)集S經(jīng)過數(shù)據(jù)模式分析后形成數(shù)據(jù)模式集，用O來表示。每種數(shù)據(jù)模式都對應(yīng)一種數(shù)據(jù)規(guī)則算法，經(jīng)過數(shù)據(jù)挖掘，形成數(shù)據(jù)規(guī)則集，用Q來表示。對數(shù)據(jù)挖掘的規(guī)則集進(jìn)行分類分析，形成數(shù)據(jù)分類集，用P來表示。數(shù)據(jù)挖掘的結(jié)果最終形成規(guī)則庫K。數(shù)據(jù)挖掘完成后需要對數(shù)據(jù)挖掘結(jié)果進(jìn)行數(shù)據(jù)評估，用W來表示。在數(shù)據(jù)評估過程中引入滑動(dòng)窗口T和相似度M,數(shù)據(jù)評估結(jié)束后結(jié)果添加在決策列表L，提供給用戶。用戶響應(yīng)后，規(guī)則庫K自動(dòng)更新。
3 模型
　ANEIDSDM模型的框架如圖1所示。本框架由以下幾部分組成：(1)數(shù)據(jù)信息。數(shù)據(jù)信息既有基于網(wǎng)絡(luò)流量的，也有基于主機(jī)的，亦有混合型數(shù)據(jù)信息。(2)數(shù)據(jù)采集。數(shù)據(jù)采集包括數(shù)據(jù)獲取，數(shù)據(jù)去噪和數(shù)據(jù)預(yù)處理3個(gè)部分。數(shù)據(jù)信息的采集是數(shù)據(jù)挖掘的基礎(chǔ)階段，采集數(shù)據(jù)質(zhì)量的好壞直接影響到數(shù)據(jù)挖掘質(zhì)量的優(yōu)劣。(3)數(shù)據(jù)分析。數(shù)據(jù)采集后需要對其進(jìn)行模式分析，根據(jù)模式分析的方式選取合適的規(guī)則庫算法，形成規(guī)則庫挖掘。對數(shù)據(jù)挖掘產(chǎn)生的規(guī)則庫進(jìn)行二次挖掘，產(chǎn)生分類規(guī)則庫。(4)數(shù)據(jù)評估。對數(shù)據(jù)挖掘的結(jié)果需要進(jìn)行數(shù)據(jù)評估，為了提高數(shù)據(jù)匹配算法的實(shí)時(shí)性和高效性，引入了在線滑動(dòng)窗口和相似度匹配思想，對于數(shù)據(jù)挖掘產(chǎn)生的規(guī)則庫根據(jù)相似度匹配算法快速分類，然后通過滑動(dòng)窗口在線對規(guī)則庫進(jìn)行匹配檢測。(5)事件響應(yīng)。對數(shù)據(jù)評估的結(jié)果進(jìn)行決策，如果確定為異常數(shù)據(jù)記錄，則啟動(dòng)預(yù)警系統(tǒng)，更新規(guī)則庫。規(guī)則庫作為數(shù)據(jù)去噪和數(shù)據(jù)挖掘的一個(gè)參考衡量標(biāo)準(zhǔn)，可以提高數(shù)據(jù)純凈度和數(shù)據(jù)挖掘質(zhì)量。(6)用戶。用戶對事件響應(yīng)有決策權(quán)，事件響應(yīng)反映給用戶時(shí)，用戶可根據(jù)自己設(shè)置的系統(tǒng)安全等級選擇是否預(yù)警。

4 算法分析
    ANEIDSDM模型的算法流程圖如圖2所示。ANEIDSDM模型采用滑動(dòng)窗口和相似度技術(shù)，窗口大小為T，步長為t0(t0<T)，相似度為m，具體方案如下：

    (1)數(shù)據(jù)信息訓(xùn)練算法
　　輸入：數(shù)據(jù)信息E，滑動(dòng)窗口T，時(shí)間t，相似度m，窗口個(gè)數(shù)k，步長t0。
　　輸出：數(shù)據(jù)挖掘規(guī)則庫K。
　  
　　
    將數(shù)據(jù)規(guī)則集中重復(fù)度小于最小閾值的規(guī)則舍去，輸出規(guī)則庫K；
　(2)檢測階段的數(shù)據(jù)信息挖掘過程算法
　輸入：數(shù)據(jù)信息E，滑動(dòng)窗口T，時(shí)間t，相似度m，窗口個(gè)數(shù)k，步長t0，數(shù)據(jù)挖掘規(guī)則庫K,待測數(shù)據(jù)規(guī)則為V。
       

    ⑤if W={異常}重復(fù)②、③、④ //對滑動(dòng)時(shí)間窗口得到數(shù)據(jù)規(guī)則集進(jìn)行數(shù)據(jù)評估；
    L=W  //每次檢測結(jié)果提交決策列表以供用戶決策；
5 實(shí)驗(yàn)分析
    數(shù)據(jù)參考MIT林肯實(shí)驗(yàn)的DARPA 1999年評測數(shù)據(jù)集。由于數(shù)據(jù)信息自身的復(fù)雜性，需要對數(shù)據(jù)信息進(jìn)行多次訓(xùn)練以降低數(shù)據(jù)噪音的影響。在本實(shí)驗(yàn)中對ANEIDSDM算法進(jìn)行模擬測試分為兩個(gè)階段:
    (1)為數(shù)據(jù)訓(xùn)練階段：首先收集數(shù)據(jù)信息，依此數(shù)據(jù)信息對其抽取特征主屬性，挖掘高頻度數(shù)據(jù)項(xiàng)集和低頻數(shù)據(jù)項(xiàng)集，對高頻數(shù)據(jù)項(xiàng)集進(jìn)行數(shù)據(jù)模式集，對數(shù)據(jù)模式集進(jìn)行數(shù)據(jù)挖掘，形成數(shù)據(jù)規(guī)則集，最后對數(shù)據(jù)規(guī)則集進(jìn)行分類，形成標(biāo)準(zhǔn)規(guī)則庫。實(shí)驗(yàn)時(shí)分為3個(gè)階段收集，實(shí)現(xiàn)3次訓(xùn)練，如表1所示。

    (2)數(shù)據(jù)模擬檢測階段：對待測數(shù)據(jù)信息進(jìn)行數(shù)據(jù)規(guī)則集的挖掘，根據(jù)與標(biāo)準(zhǔn)規(guī)則庫中分類規(guī)則集的相似度對比，快速分類，通過在線滑動(dòng)窗口和匹配檢測方法，對數(shù)據(jù)信息進(jìn)行異常入侵檢測。若屬于異常信息，則進(jìn)行預(yù)警。實(shí)驗(yàn)時(shí)通過對7種常見攻擊類型的模式進(jìn)行異常入侵檢測，如表2所示。

　 通過模擬攻擊實(shí)驗(yàn)表明，數(shù)據(jù)信息經(jīng)過ANEIDSDM入侵檢測能夠很好地檢測異常數(shù)據(jù)信息，其誤警率和檢測率都有了明顯的提高。本實(shí)驗(yàn)同時(shí)可以有效地提高入侵檢測系統(tǒng)的檢測速度。
    本文針對現(xiàn)有異常入侵檢測系統(tǒng)存在的問題，建立了一種新的基于數(shù)據(jù)挖掘技術(shù)的異常入侵檢測系統(tǒng)模型。該模型包括數(shù)據(jù)采集、數(shù)據(jù)分析、數(shù)據(jù)評估、事件響應(yīng)等一系列檢測過程，利用多次訓(xùn)練、滑動(dòng)窗口、規(guī)則分類和相似度匹配思想，大大降低了系統(tǒng)的誤警率，提高了檢測速度，提升了檢測率，增強(qiáng)了網(wǎng)絡(luò)系統(tǒng)的安全性能。
參考文獻(xiàn)
[1]  VERWORD T，HUNT R． Intrusion detection techniques and approaches[J]．Computer Communication，2002，25(15): 1356．1365．
[2]  LANE T． Machine learning techniques for the computer  security domain of anomaly detection[D]． Purdue University，2000．
[3]  MUKKAMALA S， SUNG A H，ABRAHAM A． Intrusion detection using all ensemble of intelligent paradigms[J]．Journal of Network and Computer Application,2005，28(2)：167-182．
[4]  呂志軍，袁衛(wèi)忠，仲海駿,等. 基于數(shù)據(jù)挖掘的異常入侵檢測系統(tǒng)研究[J].計(jì)算機(jī)科學(xué)，2004，31(10)：61-65.
[5]  田新廣，李文法，段洣毅,等. 基于數(shù)據(jù)挖掘和變長序列模式匹配的程序行為異常檢測[J].信號處理，2008，24(4)：521-555.
[6]  凌軍，曹陽，尹建華,等. 基于時(shí)態(tài)知識模型的網(wǎng)絡(luò)入侵檢測方法研究[J].計(jì)算機(jī)學(xué)報(bào)，2003，26(11)：1591-1597.
[7]  楊向榮，宋擒豹，沈鈞毅,等. 基于數(shù)據(jù)挖掘的智能化入侵檢測系統(tǒng)[J].計(jì)算機(jī)工程，2001，27(9)：17-102.
[8]  BARFORD P，HIINE J，PLONKA D，et al． A signal analysis of network traffic anomalies[J]．Internet Measurement Workshop，2002，7:1-82．
[9]  YE N， LI Xiang Yatig，CHEN Qiang． Probabilistic techniques for intrusion detection based on computer audit data[J]． Man and Cybernetics，Part A，IEEE Transactions on 2001：31(4)：266-274．
[10] YE N，EMRAN S M，CHEN Q, et a1． Multivariate statistical analysis of audit trails for host-based intrusion detection[J]．IEEE Transactions on Computers，2002，51(7)：810-820．
[11] OH S H，LEE W． A clustering based anomaly intrusion  detection for a host computer[J]．IEICE Transactions on In．formation and Systems，2004，E87-D(8)：2086-2094．
[12] HOFMEYR S A，F(xiàn)ORREST S，SOMAYAJI A． Intrusion detection using sequences of system calls[J]． Journal of  Computer Security，1998(6)：151-180．
[13] LANE T，CARLA E B． An empirical study of two approaches to sequence learning for anomaly detection[J]．Machine Learning，2003，51(1)：73-107．