【摘要】：隨著物聯(lián)網(wǎng)的快速發(fā)展,物聯(lián)網(wǎng)的使用日益普及。相比傳統(tǒng)的互聯(lián)網(wǎng),物聯(lián)網(wǎng)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(wǎng)設(shè)備。因此,物聯(lián)網(wǎng)的安全越來越受到人們的重視。傳統(tǒng)的入侵檢測(cè)技術(shù)具有檢測(cè)率低、可擴(kuò)展性差的缺點(diǎn),無法適應(yīng)復(fù)雜的物聯(lián)網(wǎng)環(huán)境。針對(duì)該問題,本文提出一種基于PSO-ELM的物聯(lián)網(wǎng)入侵檢測(cè)框架。本文的主要內(nèi)容如下:1、針對(duì)入侵檢測(cè)系統(tǒng)可擴(kuò)展性差、無法適應(yīng)復(fù)雜的分布式物聯(lián)網(wǎng)環(huán)境的問題,提出基于Agent的入侵檢測(cè)框架,該框架分為采集層、分析層、融合層、協(xié)調(diào)管理層,并將移動(dòng)Agent和靜態(tài)Agent相結(jié)合。移動(dòng)Agent在網(wǎng)絡(luò)中的不同主機(jī)或節(jié)點(diǎn)之間移動(dòng)和執(zhí)行相關(guān)任務(wù);靜態(tài)Agent對(duì)應(yīng)各層功能,主要包含數(shù)據(jù)采集Agent、分析Agent、數(shù)據(jù)融合Agent、響應(yīng)Agent。數(shù)據(jù)采集Agent收集傳感器終端和傳感網(wǎng)絡(luò)和網(wǎng)絡(luò)上的信息,并對(duì)收集的信息進(jìn)行預(yù)處理;數(shù)據(jù)分析Agent利用PSO-ELM算法分析數(shù)據(jù)生成初級(jí)警告;數(shù)據(jù)融合Agent將分析結(jié)果關(guān)聯(lián)、合并、聚集生成高級(jí)警告;響應(yīng)Agent對(duì)高級(jí)響應(yīng)做出反應(yīng)阻止入侵行為。2、研究分析層的基于神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)算法,針對(duì)BP神經(jīng)網(wǎng)絡(luò)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(shù)調(diào)節(jié)簡(jiǎn)單,但受隨機(jī)初始輸入權(quán)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(yīng)用于物聯(lián)網(wǎng)入侵檢測(cè),通過PSO算法優(yōu)化ELM算法的權(quán)重和偏置,既有效的解決了BP神經(jīng)網(wǎng)絡(luò)收斂速度慢的問題,也解決了ELM算法受隨機(jī)初始輸入權(quán)重和偏置影響較大的問題。3、將BP神經(jīng)網(wǎng)絡(luò)、ELM算法、PSO-ELM算法在KDDCUP99數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,PSO-ELM算法在檢測(cè)正確率、誤報(bào)率、漏報(bào)率、檢測(cè)率、精度及檢測(cè)時(shí)間六項(xiàng)指標(biāo)均優(yōu)于BP神經(jīng)網(wǎng)絡(luò);相比ELM算法,PSO-ELM算法在犧牲時(shí)間效率的基礎(chǔ)上,提升了其他五項(xiàng)指標(biāo)。通過研究與實(shí)驗(yàn)分析,本文提出的PSO-ELM算法與Agent相結(jié)合的方法為物聯(lián)網(wǎng)入侵檢測(cè)提供了一種新思路。
【學(xué)位授予單位】：湖北工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.44;TN915.08
【圖文】：

BP 神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)技術(shù)先構(gòu)建 BP 神經(jīng)網(wǎng)絡(luò)分類器，由于 KDD CUP99 是 41 種此該方法將輸入神經(jīng)元設(shè)為 41 個(gè)，輸出神經(jīng)元的數(shù)量設(shè) 當(dāng)隱含層的數(shù)量為 15 時(shí)，實(shí)驗(yàn)性能最好�；� BP 神經(jīng)網(wǎng)能如圖 4.2 所示。Goal 表示訓(xùn)練網(wǎng)絡(luò)停止的均方根誤差，現(xiàn)出最佳性能，剛開始時(shí) Test和 Validation目標(biāo)之間的誤增加，測(cè)試誤差繼續(xù)下降，但 Validation 誤差會(huì)增加。 當(dāng)時(shí)，會(huì)出現(xiàn)過擬合的趨勢(shì)，一般會(huì)連續(xù)增加六次就停止訓(xùn)圖如圖 4.3 所示。 隨著訓(xùn)練次數(shù)的增加梯度逐漸下降，當(dāng)檢測(cè)次數(shù)已經(jīng)有 6 次，實(shí)驗(yàn)終止。

測(cè)試誤差繼續(xù)下降，但 Validation 誤差會(huì)增加。 當(dāng)時(shí)，會(huì)出現(xiàn)過擬合的趨勢(shì)，一般會(huì)連續(xù)增加六次就停止訓(xùn)圖如圖 4.3 所示。 隨著訓(xùn)練次數(shù)的增加梯度逐漸下降，當(dāng)檢測(cè)次數(shù)已經(jīng)有 6 次，實(shí)驗(yàn)終止。圖 4.2 BP 神經(jīng)網(wǎng)絡(luò)的檢測(cè)性能

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 敖永才;師奕兵;張偉;李焱駿;;自適應(yīng)慣性權(quán)重的改進(jìn)粒子群算法[J];電子科技大學(xué)學(xué)報(bào);2014年06期

2 王杰;畢浩洋;;一種基于粒子群優(yōu)化的極限學(xué)習(xí)機(jī)[J];鄭州大學(xué)學(xué)報(bào)(理學(xué)版);2013年01期

3 趙振輝;;基于Agent和聚類分析的網(wǎng)絡(luò)入侵檢測(cè)研究[J];微電子學(xué)與計(jì)算機(jī);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(xué)學(xué)報(bào)(自然科學(xué)版);2012年06期

5 修長虹;鄭小松;梁建坤;;基于移動(dòng)代理入侵檢測(cè)模型的研究[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2012年04期

6 馬鑫;梁艷春;田野;于濤;;基于免疫機(jī)理與合同網(wǎng)協(xié)議的多Agent入侵檢測(cè)系統(tǒng)[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2011年01期

7 張新有;曾華q

本文編號(hào)：2736643