【摘要】：隨著物聯(lián)網的快速發(fā)展,物聯(lián)網的使用日益普及。相比傳統(tǒng)的互聯(lián)網,物聯(lián)網更容易受到各種攻擊,一旦遭受攻擊,其受到的損失不僅是信息的丟失還涉及到物聯(lián)網設備。因此,物聯(lián)網的安全越來越受到人們的重視。傳統(tǒng)的入侵檢測技術具有檢測率低、可擴展性差的缺點,無法適應復雜的物聯(lián)網環(huán)境。針對該問題,本文提出一種基于PSO-ELM的物聯(lián)網入侵檢測框架。本文的主要內容如下:1、針對入侵檢測系統(tǒng)可擴展性差、無法適應復雜的分布式物聯(lián)網環(huán)境的問題,提出基于Agent的入侵檢測框架,該框架分為采集層、分析層、融合層、協(xié)調管理層,并將移動Agent和靜態(tài)Agent相結合。移動Agent在網絡中的不同主機或節(jié)點之間移動和執(zhí)行相關任務;靜態(tài)Agent對應各層功能,主要包含數據采集Agent、分析Agent、數據融合Agent、響應Agent。數據采集Agent收集傳感器終端和傳感網絡和網絡上的信息,并對收集的信息進行預處理;數據分析Agent利用PSO-ELM算法分析數據生成初級警告;數據融合Agent將分析結果關聯(lián)、合并、聚集生成高級警告;響應Agent對高級響應做出反應阻止入侵行為。2、研究分析層的基于神經網絡入侵檢測算法,針對BP神經網絡收斂速度慢,易陷入局部最優(yōu)解的問題以及ELM算法執(zhí)行速度快、參數調節(jié)簡單,但受隨機初始輸入權重和偏置影響較大,算法穩(wěn)定性較差的問題,本文提出將PSO-ELM算法應用于物聯(lián)網入侵檢測,通過PSO算法優(yōu)化ELM算法的權重和偏置,既有效的解決了BP神經網絡收斂速度慢的問題,也解決了ELM算法受隨機初始輸入權重和偏置影響較大的問題。3、將BP神經網絡、ELM算法、PSO-ELM算法在KDDCUP99數據集上進行實驗,實驗結果表明,PSO-ELM算法在檢測正確率、誤報率、漏報率、檢測率、精度及檢測時間六項指標均優(yōu)于BP神經網絡;相比ELM算法,PSO-ELM算法在犧牲時間效率的基礎上,提升了其他五項指標。通過研究與實驗分析,本文提出的PSO-ELM算法與Agent相結合的方法為物聯(lián)網入侵檢測提供了一種新思路。
【學位授予單位】：湖北工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP391.44;TN915.08
【圖文】：

BP 神經網絡的入侵檢測技術先構建 BP 神經網絡分類器，由于 KDD CUP99 是 41 種此該方法將輸入神經元設為 41 個，輸出神經元的數量設 當隱含層的數量為 15 時，實驗性能最好。基于 BP 神經網能如圖 4.2 所示。Goal 表示訓練網絡停止的均方根誤差，現(xiàn)出最佳性能，剛開始時 Test和 Validation目標之間的誤增加，測試誤差繼續(xù)下降，但 Validation 誤差會增加。 當時，會出現(xiàn)過擬合的趨勢，一般會連續(xù)增加六次就停止訓圖如圖 4.3 所示。 隨著訓練次數的增加梯度逐漸下降，當檢測次數已經有 6 次，實驗終止。

測試誤差繼續(xù)下降，但 Validation 誤差會增加。 當時，會出現(xiàn)過擬合的趨勢，一般會連續(xù)增加六次就停止訓圖如圖 4.3 所示。 隨著訓練次數的增加梯度逐漸下降，當檢測次數已經有 6 次，實驗終止。圖 4.2 BP 神經網絡的檢測性能

【參考文獻】

中國期刊全文數據庫 前10條

1 敖永才;師奕兵;張偉;李焱駿;;自適應慣性權重的改進粒子群算法[J];電子科技大學學報;2014年06期

2 王杰;畢浩洋;;一種基于粒子群優(yōu)化的極限學習機[J];鄭州大學學報(理學版);2013年01期

3 趙振輝;;基于Agent和聚類分析的網絡入侵檢測研究[J];微電子學與計算機;2013年03期

4 楊樂;張瑞;;在線序列ELM算法及其發(fā)展[J];西北大學學報(自然科學版);2012年06期

5 修長虹;鄭小松;梁建坤;;基于移動代理入侵檢測模型的研究[J];網絡安全技術與應用;2012年04期

6 馬鑫;梁艷春;田野;于濤;;基于免疫機理與合同網協(xié)議的多Agent入侵檢測系統(tǒng)[J];吉林大學學報(工學版);2011年01期

7 張新有;曾華q

本文編號：2736643