發(fā)布時間：2021-09-24 15:46

　　隨著互聯(lián)網技術的飛速發(fā)展,近年來網絡攻擊頻繁發(fā)生,為了能夠有效的防御網絡攻擊,入侵檢測技術變得越來越重要。1980年入侵檢測技術首次提出,該技術最主要的檢測手段是基于網絡的入侵檢測技術,這種入侵檢測技術是依據(jù)發(fā)生入侵后網絡數(shù)據(jù)特征發(fā)生的變化進行判定,這種入侵判定規(guī)則要求及時更新入侵特征庫,否則就會影響入侵檢測的即時性,降低入侵檢測的準確率。也就是說,這種入侵檢測只能將已經出現(xiàn)過的網絡攻擊檢測出來,但是隨著網絡技術的發(fā)展,新的網絡攻擊不斷出現(xiàn),增加了入侵檢測的難度,想要準確檢測出未知的網絡攻擊就要引入一種新的方法與入侵檢測技術相結合,提高入侵檢測技術的自適應性,進而提高入侵檢測的準確率。本文以人工神經網絡原理作為切入口,使用HGWO算法改進BP神經網絡和RBF神經網絡,最后將其應用到入侵檢測中。本文的主要工作如下所示:（1）混合灰狼優(yōu)化算法是一種將差分進化算法應用于灰狼優(yōu)化算法種群更新的混合算法,這種算法結合了兩種算法的優(yōu)點互補缺點,形成了一種全局和局部尋優(yōu)都有良好性能的算法,使用八種測試函數(shù)Sphere函數(shù)、Ackley函數(shù)、Griewank函數(shù)、Rastrigin函數(shù)、Rosenbr... 

【文章來源】：河北師范大學河北省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

入侵檢測通用模型圖

9圖2.2神經元模型圖神經網絡的輸出的表達式為：t=f(∑=1+b)(2.1)其中為輸入向量，為權值，b為偏置量，f為激活函數(shù)，t為輸出。2.3.1BP神經網絡BP神經網絡(BackPropagationNeuralNetwork，BP神經網絡)是Rumel-hart和McClelland在1986年提出的人工神經網絡模型[20]，它被廣泛應于入侵檢測中。BP神經網絡是一種多層神經網絡，它的拓撲結構主要包括三部分，分別為輸入層、隱含層和輸出層，其中隱含層至少有一層，層與層之間的神經元都是全連接的結構，除輸入層外，每一層的輸入都與前一層的輸出息息相關。BP神經網絡更是一種負反饋型神經網絡，它通過誤差的負反饋進行的權值調整，使其逼近非線性函數(shù)，也正是由于這樣的權值調整過程，致使BP神經網絡容易陷入局部最小，并且導致了收斂速度慢。下面以三層結構的BP神經網絡為例介紹BP神經網絡的算法思想。三層BP神經網絡的拓撲結構如圖2.3所示：圖2.3BP神經網絡圖如圖2.3所示，輸入層神經元輸入向量為X=[，，……，]，輸入向量有n

BP神經網絡圖

【參考文獻】：
期刊論文
[1]基于GAN-PSO-ELM的網絡入侵檢測方法[J]. 楊彥榮,宋榮杰,周兆永.  計算機工程與應用. 2020(12)
[2]2019年網絡安全漏洞態(tài)勢綜述[J]. 楊詩雨,桂暢旎,熊菲.  保密科學技術. 2019(12)
[3]基于機器學習的KDD-CUP99網絡入侵檢測數(shù)據(jù)集的分析[J]. 余華鴻,周鳳艷,陳毛毛.  計算機工程與科學. 2019(S1)
[4]基于深度卷積神經網絡的入侵檢測研究[J]. 丁紅衛(wèi),萬良,周康,龍廷艷,辛壯.  計算機科學. 2019(10)
[5]改進差分進化算法優(yōu)化BP神經網絡用于入侵檢測[J]. 陳超,曹曉梅.  計算機應用與軟件. 2018(04)
[6]改進后的BP神經網絡在入侵檢測中的應用[J]. 劉博文.  信息與電腦(理論版). 2017(14)
[7]海量數(shù)據(jù)環(huán)境下用于入侵檢測的深度學習方法[J]. 高妮,賀毅岳,高嶺.  計算機應用研究. 2018(04)
[8]基于改進SVM主動學習的網絡入侵檢測[J]. 蘇志同,劉芳正.  計算機與數(shù)字工程. 2016(09)
[9]多層極限學習機在入侵檢測中的應用[J]. 康松林,劉樂,劉楚楚,廖鋟.  計算機應用. 2015(09)
[10]入侵檢測中基于SVM的兩級特征選擇方法[J]. 武小年,彭小金,楊宇洋,方堃.  通信學報. 2015(04)

博士論文
[1]基于神經網絡的入侵檢測相關技術研究[D]. 謝康.山東大學 2016
[2]基于機器學習的入侵檢測和告警關聯(lián)關鍵技術研究[D]. 劉敬.北京郵電大學 2016

碩士論文
[1]基于神經網絡入侵檢測技術的研究[D]. 王小敏.西安工程大學 2017
[2]基于改進PSO的RBF神經網絡入侵檢測方法研究[D]. 邵洪濤.廣西大學 2012



本文編號：3408020