基于改进QPSO优化的RBF网络入侵检测研究

发布时间：2017-04-11 09:07

  本文关键词：基于改进QPSO优化的RBF网络入侵检测研究，由笔耕文化传播整理发布。

【摘要】：随着计算机技术的发展以及互联网应用越来越广泛,网络入侵攻击事件频繁发生,并且入侵种类层出不穷,使得防火墙越来越难以单独保障网络安全。因此,为了增强网络的安全性,也有很多机构和专家都倾向于更强大的主动安全防护策略,其中,入侵检测技术作为一种有效的解决方案,已成为研究的重点。论文对传统的入侵检测技术进行了分析并总结了传统的入侵检测技术存在着诸如对未知攻击行为的检测力差,实时检测攻击的能力低等缺陷。而人工神经网络由于自身特点,应用于入侵检测具有可行性。近年来,入侵检测技术已经开始使用神经网络工具,开辟了新的入侵检测方法。论文重点研究了神经网络领域中被广泛应用的RBF神经网络(Radia Basis Neural Network),包括RBF神经网络的原理、网络结构、权值学习过程。在RBF神经网络参数优化过程中引入量子粒子群算法是一种计算简单,收敛速度较快的方法。但是量子粒子群算法在迭代后期容易陷入局部收敛,求解精度也不理想。论文提出了一种改进算法。将人工蜂群搜索算子引入量子粒子群算法,在算法前期可以有效的扩展搜索空间,防止算法陷入局部最优。同时引入双中心粒子,将QPSO算法得到的全局最优解的每一维度的值都与双中心粒子相对应的维度分别替换,再次更新全局最优,使算法达到较高的搜索精度,具有较快的收敛速度。在RBF神经网络的参数优化过程中引入改进后的QPSO算法可以提高RBF神经网络在入侵检测中的检测率和收敛速度。最后,论文采用KDDCUP99数据集中的部分数据在MATLAB R2010a下对本文提出的改进QPSO_RBF和标准QPSO_RBF以及引入人工蜂群搜索算子的IQPSO_RBF进行了仿真实验,并对实验结果进行分析,结果证明改进后的算法能够达到预期的效果。
【关键词】：入侵检测 RBF 神经网络 QPSO 算法改进 MATLAB仿真 KDDCUP99 数据集
【学位授予单位】：河北工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP183;TP393.08

  本文关键词：基于改进QPSO优化的RBF网络入侵检测研究，由笔耕文化传播整理发布。

，

本文编号：298751