發(fā)布時間：2017-04-28 17:03

  本文關(guān)鍵詞：優(yōu)化的神經(jīng)網(wǎng)絡(luò)在入侵檢測中的研究與應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：近幾年來,網(wǎng)絡(luò)技術(shù)正在以人們難以想象的速度發(fā)展,給人們的生活帶來了更多的便捷�；ヂ�(lián)網(wǎng)的多樣化發(fā)展所帶來的變化,體現(xiàn)在人們的日常生活、學(xué)習(xí)和工作中。尤其是近幾年來移動互聯(lián)網(wǎng)、云計算、物聯(lián)網(wǎng)等新興技術(shù)的出現(xiàn),給人們的生活帶來了翻天覆地的變化。但是隨著網(wǎng)絡(luò)的發(fā)展,其使用的消極影響也不斷出現(xiàn),尤其是在網(wǎng)絡(luò)安全方面的隱患,使得人們不能完全放心的使用網(wǎng)絡(luò),這嚴(yán)重影響了互聯(lián)網(wǎng)的發(fā)展、人們的生活、以及社會治安等。因此網(wǎng)絡(luò)安全的重要性不言而喻。 傳統(tǒng)的網(wǎng)絡(luò)安全技術(shù),主要提供靜態(tài)防護,對內(nèi)部攻擊則不能進行有效地防護。入侵檢測技術(shù)能夠在防火墻之后提供對內(nèi)部攻擊的防護,且不影響網(wǎng)絡(luò)的正常使用,對系統(tǒng)提供實時保護。 本文針對優(yōu)化的神經(jīng)網(wǎng)絡(luò)在入侵檢測上的應(yīng)用做了深入的研究,首先提出一種對特征集按照入侵方式進行分類處理的方法,并對多種特征提取方式的檢測準(zhǔn)確率進行比較,最終確定本文的特征提取方式。然后對PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進行分析,對其存在的缺陷進一步改進,提出一種改進的PSO-BP神經(jīng)網(wǎng)絡(luò),最終結(jié)合特征提取方式以及改進算法設(shè)計一種入侵檢測模型,并驗證其確實具有較好的檢測準(zhǔn)確率。 本文的主要工作如下： 1.設(shè)計入侵檢測數(shù)據(jù)集的處理模塊。對數(shù)據(jù)集的處理主要分為兩個步驟：數(shù)據(jù)歸一化,這個過程將數(shù)據(jù)集中的非數(shù)字特征轉(zhuǎn)化為數(shù)字特征,鑒于數(shù)字特征的范圍較大,需要減小其差異,根據(jù)公式將所有數(shù)字特征映射到[0,1]區(qū)間；特征集選取,在這個過程中,首先對四種特征提取結(jié)果進行比較,然后針對不同的入侵方式選取檢測準(zhǔn)確率最高的特征提取方式,為后續(xù)實驗做準(zhǔn)備。 2.對傳統(tǒng)PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)提出改進。PSO算法在全局搜索方面能夠在一定程度上彌補BP網(wǎng)絡(luò)容易陷入局部最優(yōu)值的缺點,但是PSO算法在迭代過程中仍容易陷入局部最優(yōu)而使算法早熟,因而提出對全局最優(yōu)粒子進行監(jiān)督的方式,當(dāng)粒子出現(xiàn)很長時間不更新的情況時,對最優(yōu)粒子子群進行更新后,重新選擇全局最優(yōu)粒子。 3.提出一種入侵檢測模型。結(jié)合特征提取方式與改進的PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò),分別針對四種入侵類型進行網(wǎng)絡(luò)訓(xùn)練,將正常數(shù)據(jù)與異常數(shù)據(jù)之間的差異集中化,最終通過提高每個神經(jīng)網(wǎng)絡(luò)的檢測準(zhǔn)確率而提高整體的檢測準(zhǔn)確率。實驗證明,改進后的檢測模型的檢測準(zhǔn)確率達到99.26%,較傳統(tǒng)的模型準(zhǔn)確率和漏報率有較明顯的提高。但也因模型的缺陷,導(dǎo)致誤報率會略高。
【關(guān)鍵詞】：入侵檢測 特征提取 PSO 算法 神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP393.08;TP183
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 引言10-16
• 1.1 課題研究背景和意義10-14
• 1.1.1 網(wǎng)絡(luò)安全發(fā)展及挑戰(zhàn)10-11
• 1.1.2 入侵檢測必要性11-12
• 1.1.3 入侵檢測研究熱點12-14
• 1.2 本文的主要工作14
• 1.3 論文結(jié)構(gòu)14-16
• 第二章 相關(guān)關(guān)鍵技術(shù)研究16-31
• 2.1 入侵檢測16-21
• 2.1.1 入侵檢測的基本概念16
• 2.1.2 入侵檢測分類16-18
• 2.1.3 主流入侵檢測技術(shù)介紹18-21
• 2.2 神經(jīng)網(wǎng)絡(luò)21-27
• 2.2.1 概述21-23
• 2.2.2 人工神經(jīng)元23-24
• 2.2.3 反向傳播神經(jīng)網(wǎng)絡(luò)24-27
• 2.3 粒子群優(yōu)化算法在BP神經(jīng)網(wǎng)絡(luò)中的應(yīng)用27-30
• 2.3.1 粒子群優(yōu)化算法的基本定義27-28
• 2.3.2 粒子群優(yōu)化算法步驟28-30
• 2.3.3 粒子群優(yōu)化算法特點30
• 2.3.4 PSO算法在BP神經(jīng)網(wǎng)絡(luò)中的應(yīng)用30
• 2.4 本章小結(jié)30-31
• 第三章 入侵檢測數(shù)據(jù)集處理31-50
• 3.1 數(shù)據(jù)集簡介31-33
• 3.1.1 數(shù)據(jù)集來源31
• 3.1.2 數(shù)據(jù)集內(nèi)容分析31-32
• 3.1.3 數(shù)據(jù)處理過程32-33
• 3.2 實驗評估參數(shù)指標(biāo)33-34
• 3.3 數(shù)據(jù)歸一化處理研究與設(shè)計34-38
• 3.3.1 特征集分類研究34-35
• 3.3.2 歸一化處理實驗設(shè)計與實現(xiàn)35-38
• 3.3.3 實驗實現(xiàn)核心代碼38
• 3.4 特征值選取的研究與設(shè)計38-49
• 3.4.1 特征值選取研究38-39
• 3.4.2 特征值選取集合簡介39-42
• 3.4.3 實驗設(shè)計42-43
• 3.4.4 實驗實現(xiàn)43-46
• 3.4.5 實驗結(jié)果及分析46-49
• 3.5 本章小結(jié)49-50
• 第四章 改進PSO-BP算法及IDS模型設(shè)計50-64
• 4.1 改進PSO的BP算法50-52
• 4.1.1 改進背景50
• 4.1.2 PSO算法改進描述50-52
• 4.2 改進PSO的BP算法的入侵檢測實現(xiàn)52-59
• 4.2.1 實驗設(shè)計52-54
• 4.2.2 實驗實現(xiàn)函數(shù)說明54-55
• 4.2.3 實驗實現(xiàn)數(shù)據(jù)55-57
• 4.2.4 實驗結(jié)果及分析57-59
• 4.3 基于改進PSO的BP神經(jīng)網(wǎng)絡(luò)的入侵檢測模型設(shè)計59-63
• 4.3.1 入侵檢測模型設(shè)計59-61
• 4.3.2 實驗設(shè)計61-62
• 4.3.3 實驗結(jié)果及分析62-63
• 4.4 本章小結(jié)63-64
• 第五章 總結(jié)與展望64-66
• 5.1 本文總結(jié)64
• 5.2 今后工作及展望64-66
• 參考文獻66-70
• 致謝70

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 羅守山,陳亞娟,宋傳恒,王自亮,鈕心忻,楊義先;基于用戶擊鍵數(shù)據(jù)的異常入侵檢測模型[J];北京郵電大學(xué)學(xué)報;2003年04期

2 李新宇;周鐵軍;;基于RBF神經(jīng)網(wǎng)絡(luò)的入侵檢測優(yōu)化算法研究[J];計算機安全;2011年04期

3 范瑛;;改進蟻群算法結(jié)合BP網(wǎng)絡(luò)用于入侵檢測[J];遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版);2010年05期

4 沈?qū)W利;張紀(jì)鎖;;基于BP網(wǎng)絡(luò)與改進的PSO算法的入侵檢測研究[J];計算機工程與科學(xué);2010年06期

5 閆新娟;譚敏生;嚴(yán)亞周;呂明娥;;基于隱馬爾科夫模型和神經(jīng)網(wǎng)絡(luò)的入侵檢測研究[J];計算機應(yīng)用與軟件;2012年02期

6 馮登國;張敏;張妍;徐震;;云計算安全研究[J];軟件學(xué)報;2011年01期

7 張新有;曾華q，

本文編號：333189