肖仙谦，朱俊平,景旭,马巧娥,2

(1.西北农林科技大学 信息工程学院，陕西 杨凌 712100；2.杨凌职业技术学院 信息工程学院，陕西 杨凌 712100)

入侵检测就是对入侵行为的发现，收集计算机网络或系统中的关键点信息并进行分析，从而判断网络或系统是否违反安全策略或被攻击，是继“加密机制”、“数据签名机制”、“访问和控制机制”、“认证机制”等传统网络信息安全技术的新一代网络信息安全技术.

入侵检测本质上是一个模式识别问题.很多传统机器学习的方法被应用到入侵检测中，如朴素贝叶斯、决策树、支持向量机(SVM)等，一般都是同时对正负数据样本进行训练，从而得到分类器.但由于实际入侵检测数据分布上的特殊性，即正常样本数据量远大于异常样本数据量，因此系统对异常样本的判断能力不能很好地得到训练[1].传统的有监督学习不适合此问题.此时，入侵检测问题可以被看成是数据描述(data description)或者是单分类(one-class)学习问题[2].

One-class学习算法的一个主要研究方向是基于统计密度估计.这些方法先对目标类建立变量统计模型，然后估计该模型的参数.而自从支持向量机(SVM)和核函数技术出现以来，在one-class学习中采用核函数的方法变得流行，其中包括one-class SVM模型[3-4]和支持向量数据描述[5]，并且这2个方法被证明会产生同一个结果.但是，核函数技术一般不能利用数据中包含的领域知识；而且，也不能直接应用无标签数据来提高准确率[6].所以，在传统的支持向量数据描述(support vector data description，SVDD)模型基础上，采用贝叶斯参数估计的方法对其进行改进，从而可以使上述问题得到解决.