陈丽芳，杨丽敏，于健

(华北理工大学 理学院，河北 唐山 063210)

引言

网络环境日趋复杂，社会对信息和通信技术的依赖程度愈来愈高，网络安全风险也随之升高。前人所使用的传统预警技术只能检测出历史上曾经出现过的攻击，而且存在误报率和漏报率较高、响应时间长以及不具备检测新攻击类型的能力等诸多问题[1]。例如防火墙技术，防火墙规则只能阻止已经出现过的攻击，对未出现过的入侵行为则丧失了其防御能力。基于专家系统的预警检测在进行海量数据处理时执行速度不仅比常用的编译型语言慢，而且只能检测到已知的攻击模式。基于神经网络的网络预警检测系统在具有分布式和超大规模等特点的云环境下容易出现过拟合的情况[2]。基于贝叶斯的网络预警检测虽然具有较为稳定的分类效率，对缺失数据也较为迟钝，但处理连续特征困难，需要知道先验概率[3]。

基于此，为了提高系统的安全性，该项研究选择将支持向量机(SVM)应用到目前的研究热点领域——网络安全预警中，SVM是基于现代统计学的结构风险最小化和风险向量维数理论形成的一种学习机，它具有很强的非线性处理能力和良好的鲁棒性[4,5]。所以将支持向量机引入网络安全预警不仅可以弥补传统网络预警系统出现的诸多不足，提高检测效率、降低误报率和漏报率，而且可以增强系统对高速网络环境的适应能力，进而可以提高网络预警性能[6]。

1网络安全预警检测概述

1.1 网络安全预警检测

网络安全预警检测的功能是将数据流中正常与异常数据区分出来从而达到预警的功能。……