面向云计算环境的网络入侵安全检测技术研究

发布时间：2021-06-19 16:20

　　云计算环境下网络入侵方法具有多变性、隐蔽性、不可预期性等特点,导致网络入侵安全检测变得日益困难,传统入侵检测系统已经难以满足需求。为此,提出了一种面向基于云计算环境的网络入侵安全检测技术。将网络入侵检测任务通过云计算技术来自动分解为若干个子任务,再将这些子任务分别在云计算平台的不同节点予以建模,BP神经网络为建模工具,而其权值参数则是采用杂草优化算法来进行确定;最后再有机融合不同节点的网络入侵检测结果。采用KDD CUP 99数据集对其性能进行仿真试验,结果表明可有效缩短入侵检测的训练时间与测试时间,较好地达到了实时监测网络入侵行为的效果,应用价值较高。 

【文章来源】：电工技术. 2020,(01)

【文章页数】：4 页

【部分图文】：

%%面向云计算环境的网络入侵安全检测技术工作原理图

对比试验面向云计算环境的网络入侵安全检测技术（简称IWO-BPNN）和未优化的BP神经网络入侵安全检测技术（简称BPNN），分别试验运行100次，对入侵误报率与入侵检测率进行统计（入侵误报率=被检测为异常状态的正确样本/样本总数，入侵检测率=正确检测样本/样本总数），统计结果如图2所示。由图2可知，IWO-BPNN的入侵误报率明显低于BPNN，而IWO-BPNN的入侵检测率明显高于BPNN。其主要原因在于虽然BP神经网络的非线性处理性能较佳，但是权值基本通过经验方式来确定，入侵检测结果自然不佳；而面向云计算环境的网络入侵安全检测技术以杂草优化算法与入侵检测误差为载体来动态优化BP神经网络的权值，较好地执行了误差反馈操作，进而获取了最佳BP神经网络，有效改善了网络入侵检测效果[17-18]。

【参考文献】：
期刊论文
[1]大数据技术在电力通信网的研究与应用[J]. 林炳花.  电力大数据. 2018(05)
[2]基于数据分析的配电网故障数据特征变量提取[J]. 杨凤生,熊波,蔡广林,杨琦岑.  电力大数据. 2018(03)
[3]基于数据挖掘的电力需求侧管理综述[J]. 李巍,袁晓婷,李俊杰,徐轶丹.  电力大数据. 2018(01)
[4]输变电设备状态大数据分析应用探讨[J]. 王珣,王馨,赵盟,许鹏,马琳.  电力大数据. 2018(01)
[5]大数据技术在配电网中的应用综述[J]. 费思源.  中国电机工程学报. 2018(01)
[6]基于实时运行数据挖掘的配电变压器状态评估[J]. 谢成,曹张洁,温典,金涌涛.  浙江电力. 2017(08)
[7]大数据环境下变电站智能监控方案研究[J]. 张飞飞,樊锐轶,孙广辉,王梦嘉,刘清泉,马丽.  陕西电力. 2016(06)
[8]基于可信性理论的主动配电网运行风险动态评估[J]. 周毅,杨镜非,王钰楠.  电气自动化. 2016(03)
[9]基于云平台的变电站设备智能诊断系统[J]. 王有元,蔡亚楠,王灿,李剑,薛武.  高电压技术. 2015(12)
[10]基于大数据分析的输变电设备状态数据异常检测方法[J]. 严英杰,盛戈皞,陈玉峰,江秀臣,郭志红,杜修明.  中国电机工程学报. 2015(01)



本文编号：3238141