本文選題：BP算法　切入點(diǎn)：入侵檢測(cè)　出處：《現(xiàn)代電子技術(shù)》2017年11期 　論文類型：期刊論文

【摘要】：通過分析BP神經(jīng)網(wǎng)絡(luò)用于檢測(cè)系統(tǒng)存在的問題,在傳統(tǒng)BP算法基礎(chǔ)上,采用自動(dòng)變速率學(xué)習(xí)法,引入遺忘因子、隨機(jī)優(yōu)化算子,并將其用于網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)。仿真實(shí)驗(yàn)結(jié)果表明,改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法用于入侵檢測(cè),速度快、易收斂,目標(biāo)精度0.02很快達(dá)到。改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法的檢測(cè)率、漏測(cè)率、誤報(bào)率分別為96.17%,3.83%,4.15%,檢測(cè)率比未改進(jìn)的BP算法要高出11.65%,漏測(cè)率比未改進(jìn)的BP算法要低10.66%,誤報(bào)率比未改進(jìn)的BP算法要低4.07%,改進(jìn)算法優(yōu)越性明顯。
[Abstract]:By analyzing the problems of BP neural network used to detect the system, based on the traditional BP algorithm, the automatic variable rate learning method is adopted, the forgetting factor is introduced, and the random optimization operator is introduced. The simulation results show that the improved BP neural network algorithm is fast, easy to converge, and the precision of target is 0.02. The detection rate and miss rate of the improved BP neural network algorithm are obtained quickly. The false positive rate is 96.17 / 3.83 / 4.15, the detection rate is 11.65 higher than the unimproved BP algorithm, the missing rate is 10.66% lower than the unimproved BP algorithm, and the false positive rate is 4.07% lower than the unimproved BP algorithm, the superiority of the improved algorithm is obvious.
【作者單位】： 成都理工大學(xué)信息科學(xué)與技術(shù)學(xué)院;
【分類號(hào)】：TP183;TP393.08

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 連紅;潘志松;景鳳宣;;一種基于規(guī)則和神經(jīng)網(wǎng)絡(luò)的系統(tǒng)在入侵檢測(cè)中的應(yīng)用(英文)[J];貴州師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年04期

2 王兆霞;孫雨耕;張強(qiáng);郝庭柱;孫小薇;秦娟;沈花玉;;基于復(fù)合神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)業(yè)務(wù)分類算法[J];天津大學(xué)學(xué)報(bào);2006年S1期

3 陳熹;朱燦焰;;兩種神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用[J];通信技術(shù);2011年11期

4 趙建華;李偉華;;有監(jiān)督SOM神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)工程;2012年12期

5 馮海亮;陳滌;林青家;陳春曉;;一種基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量組合預(yù)測(cè)模型[J];計(jì)算機(jī)應(yīng)用;2006年09期

6 劉淵;曹建華;戴悅;;基于補(bǔ)償器的灰色神經(jīng)網(wǎng)絡(luò)流量預(yù)測(cè)模型[J];計(jì)算機(jī)應(yīng)用;2007年09期

7 黃巧云;;基于云模型與神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)態(tài)勢(shì)分析[J];三明學(xué)院學(xué)報(bào);2012年04期

8 喬曉梅;;基于粒子群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用[J];商場(chǎng)現(xiàn)代化;2006年18期

9 劉曉;;基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量識(shí)別模型[J];微型機(jī)與應(yīng)用;2012年02期

10 高述濤;;小波消噪和神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量混沌預(yù)測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2012年21期

相關(guān)會(huì)議論文 前2條

1 張文濤;Wlodek Kulesza;;基于BP神經(jīng)網(wǎng)絡(luò)的防火墻流量預(yù)測(cè)[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

2 李明;賈波;;基于神經(jīng)網(wǎng)絡(luò)的P2P流量識(shí)別方法[A];浙江省信號(hào)處理學(xué)會(huì)2011學(xué)術(shù)年會(huì)論文集[C];2011年

相關(guān)重要報(bào)紙文章 前1條

1 ;您的網(wǎng)管系統(tǒng)夠靈敏嗎？[N];科技日?qǐng)?bào);2000年

相關(guān)博士學(xué)位論文 前3條

1 吳靜;入侵檢測(cè)中神經(jīng)網(wǎng)絡(luò)融合學(xué)習(xí)方法的研究[D];吉林大學(xué);2010年

2 劉貴松;入侵檢測(cè)的神經(jīng)網(wǎng)絡(luò)方法[D];電子科技大學(xué);2007年

3 黃保華;對(duì)等系統(tǒng)的安全與激勵(lì)機(jī)制研究[D];華中科技大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 李保軍;基于CRO高階神經(jīng)網(wǎng)絡(luò)的流量矩陣估計(jì)研究[D];華中師范大學(xué);2015年

2 黃正觀;基于BP神經(jīng)網(wǎng)絡(luò)的通信網(wǎng)故障診斷算法研究與實(shí)現(xiàn)[D];華北電力大學(xué);2015年

3 張義宏;基于PCA的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的研究與應(yīng)用[D];東北大學(xué);2014年

4 苑帥;基于改進(jìn)QPSO優(yōu)化的RBF網(wǎng)絡(luò)入侵檢測(cè)研究[D];河北工業(yè)大學(xué);2015年

5 張志超;基于神經(jīng)網(wǎng)絡(luò)的SQL注入式攻擊漏洞檢測(cè)問題的研究與實(shí)現(xiàn)[D];北京工業(yè)大學(xué);2016年

6 喻寶祿;基于醫(yī)療云平臺(tái)的一類疾病分析模型研究[D];貴州大學(xué);2016年

7 張才峰;基于聯(lián)合特征的LDoS攻擊檢測(cè)方法[D];中國民航大學(xué);2016年

8 侯曉凱;基于神經(jīng)網(wǎng)絡(luò)的多狀態(tài)網(wǎng)絡(luò)設(shè)備故障預(yù)測(cè)的研究[D];山東大學(xué);2014年

9 王娜;優(yōu)化的神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的研究與應(yīng)用[D];北京郵電大學(xué);2015年

10 楊鴻洲;基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵檢測(cè)模型研究[D];山東大學(xué);2006年

，

本文編號(hào)：1646117