本文關鍵詞：云環(huán)境下基于改進BP算法的入侵檢測方法研究

  更多相關文章： 云入侵檢測 內核虛擬機 BP算法 粒子群算法 差分進化算法

【摘要】：虛擬化是云計算底層實現中的核心部分,能夠實現云平臺計算資源的高效利用。云計算的開放性則使得虛擬化環(huán)境面臨著眾多的安全威脅。傳統(tǒng)的入侵檢測技術的檢測效率較低,并且難以兼容于虛擬化環(huán)境的網絡結構。因此,如何實現虛擬化中不同網絡架構下的入侵檢測方法的研究對云計算應用的發(fā)展有重要的意義。針對現有云入侵檢測系統(tǒng)對不同虛擬網絡模型的兼容性較低、檢測精度較低等問題,本文對云環(huán)境下的入侵檢測方法開展了比較深入的研究,提出了兩種基于群智能算法(PSO算法和DE算法)的改進BP檢測算法。論文的主要研究工作如下：(1)深入研究不同虛擬化網絡架構下的相應檢測策略,總結了各類方法的技術特點,分析現有虛擬化檢測技術和方法的不足。(2)針對現有方法存在的問題,在深入研究KVM網絡模型的基礎上,提出一種云環(huán)境下基于改進BP算法的入侵檢測模型(MBPCIDM)。該模型能夠使用NAT+網橋模式實現KVM用戶模式下的抓包、解析包、提取特征、檢測特征集、響應入侵行為等模塊,兼容了KVM虛擬化環(huán)境中的不同網絡模式,能夠為云環(huán)境提供入侵檢測服務。(3)在深入分析虛擬化網絡結構的基礎上,針對BP算法易于陷入局部極小的問題,提出一種基于PSO算法的改進BP檢測算法—MLPSO-BP。MLPSO-BP結合了粒子群優(yōu)化算法的全局尋優(yōu)能力和反向傳播算法的梯度下降等特點,將粒子群優(yōu)化算法引入到神經網絡的初始權值的優(yōu)化中,利用動量項與LR方法,在加速BP算法收斂的同時,防止其保持本地最優(yōu)。實驗結果表明,利用改進后的算法構建的入侵檢測算法的平均檢出率較高,能夠有效且可靠地為云計算環(huán)境提供入侵檢測服務。(4)針對粒子群優(yōu)化算法可能的早熟問題,利用DE算法對BP算法進行改進,提出一種基于DE算法的改進BP檢測算法。該算法首先使用DE算法優(yōu)化BP算法的初始權值,隨后采用BP算法微調網絡權值。權值和偏置值在每一代中都進行更新,以最小化均方誤差。實驗結果表明,在合適的參數設置條件下,在優(yōu)化BP神經網絡的初始權值方面DE算法要優(yōu)于PSO算法。本文的研究是對云計算虛擬化中的不同網絡模式下的入侵檢測技術和方法的一次有益嘗試,論文的研究工作和成果對于云計算虛擬化環(huán)境的安全具有一定的科學意義和研究價值。
【關鍵詞】：云入侵檢測 內核虛擬機 BP算法 粒子群算法 差分進化算法
【學位授予單位】：廣西大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP393.08
【目錄】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 緒論11-17
• 1.1 研究背景11-12
• 1.2 國內外研究現狀12-15
• 1.2.1 云計算技術中的虛擬化網絡環(huán)境安全研究12-14
• 1.2.2 云計算中虛擬化入侵檢測策略研究14
• 1.2.3 BP入侵檢測模型與優(yōu)化方法研究14-15
• 1.3 主要研究內容15-16
• 1.4 文章組織結構16-17
• 第二章 云計算虛擬化與入侵檢測相關技術綜述17-31
• 2.1 虛擬化技術介紹17-19
• 2.1.1 虛擬化定義17
• 2.1.2 當前主流虛擬化技術17-19
• 2.2 虛擬化入侵檢測技術介紹19-20
• 2.2.1 入侵檢測分類與檢測步驟19-20
• 2.2.2 入侵檢測主要步驟20
• 2.3 BP神經網絡及其優(yōu)化算法20-24
• 2.3.1 BP神經網絡20-22
• 2.3.2 PSO算法22
• 2.3.3 差分進化算法22-24
• 2.4 云計算入侵檢測分類總結24-26
• 2.5 KVM虛擬化網絡模型及檢測策略26-30
• 2.6 本章小結30-31
• 第三章 基于PSO的改進BP入侵檢測算法研究31-42
• 3.1 引言31
• 3.2 虛擬化入侵檢測系統(tǒng)設計31-32
• 3.3 基于PSO的改進BP檢測算法32-34
• 3.4 實驗分析34-41
• 3.4.1 實驗數據與指標34-37
• 3.4.2 實驗參數設置37-38
• 3.4.3 實驗結果與分析38-41
• 3.5 本章小結41-42
• 第四章 基于DE算法的改進BP入侵檢測算法42-56
• 4.1 PSO與CLPSO分析42-43
• 4.2 基于DE算法的BP檢測算法43-45
• 4.3 實驗分析45-55
• 4.3.1 實驗數據與指標45-46
• 4.3.2 實驗參數設置46-47
• 4.3.3 實驗結果與分析47-55
• 4.4 本章小結55-56
• 第五章 總結與展望56-58
• 5.1 論文總結56-57
• 5.2 研究的不足與未來工作的展望57-58
• 參考文獻58-66
• 致謝66-67
• 攻讀碩士學位期間發(fā)表的學術論文67

【參考文獻】

中國期刊全文數據庫 前2條

1 郭亮;陳維榮;賈俊波;韓明;劉永浩;;基于粒子群算法的BP神經網絡光伏電池建模[J];電工電能新技術;2011年02期

2 王芳;易平;吳越;王之e，

本文編號：746406