优化的神经网络在入侵检测中的研究与应用

发布时间：2017-04-28 17:03

  本文关键词：优化的神经网络在入侵检测中的研究与应用，由笔耕文化传播整理发布。

【摘要】：近几年来,网络技术正在以人们难以想象的速度发展,给人们的生活带来了更多的便捷。互联网的多样化发展所带来的变化,体现在人们的日常生活、学习和工作中。尤其是近几年来移动互联网、云计算、物联网等新兴技术的出现,给人们的生活带来了翻天覆地的变化。但是随着网络的发展,其使用的消极影响也不断出现,尤其是在网络安全方面的隐患,使得人们不能完全放心的使用网络,这严重影响了互联网的发展、人们的生活、以及社会治安等。因此网络安全的重要性不言而喻。 传统的网络安全技术,主要提供静态防护,对内部攻击则不能进行有效地防护。入侵检测技术能够在防火墙之后提供对内部攻击的防护,且不影响网络的正常使用,对系统提供实时保护。 本文针对优化的神经网络在入侵检测上的应用做了深入的研究,首先提出一种对特征集按照入侵方式进行分类处理的方法,并对多种特征提取方式的检测准确率进行比较,最终确定本文的特征提取方式。然后对PSO优化的BP神经网络进行分析,对其存在的缺陷进一步改进,提出一种改进的PSO-BP神经网络,最终结合特征提取方式以及改进算法设计一种入侵检测模型,并验证其确实具有较好的检测准确率。 本文的主要工作如下： 1.设计入侵检测数据集的处理模块。对数据集的处理主要分为两个步骤：数据归一化,这个过程将数据集中的非数字特征转化为数字特征,鉴于数字特征的范围较大,需要减小其差异,根据公式将所有数字特征映射到[0,1]区间；特征集选取,在这个过程中,首先对四种特征提取结果进行比较,然后针对不同的入侵方式选取检测准确率最高的特征提取方式,为后续实验做准备。 2.对传统PSO优化的BP神经网络提出改进。PSO算法在全局搜索方面能够在一定程度上弥补BP网络容易陷入局部最优值的缺点,但是PSO算法在迭代过程中仍容易陷入局部最优而使算法早熟,因而提出对全局最优粒子进行监督的方式,当粒子出现很长时间不更新的情况时,对最优粒子子群进行更新后,重新选择全局最优粒子。 3.提出一种入侵检测模型。结合特征提取方式与改进的PSO优化的BP神经网络,分别针对四种入侵类型进行网络训练,将正常数据与异常数据之间的差异集中化,最终通过提高每个神经网络的检测准确率而提高整体的检测准确率。实验证明,改进后的检测模型的检测准确率达到99.26%,较传统的模型准确率和漏报率有较明显的提高。但也因模型的缺陷,导致误报率会略高。
【关键词】：入侵检测 特征提取 PSO 算法 神经网络
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.08;TP183
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 引言10-16
• 1.1 课题研究背景和意义10-14
• 1.1.1 网络安全发展及挑战10-11
• 1.1.2 入侵检测必要性11-12
• 1.1.3 入侵检测研究热点12-14
• 1.2 本文的主要工作14
• 1.3 论文结构14-16
• 第二章 相关关键技术研究16-31
• 2.1 入侵检测16-21
• 2.1.1 入侵检测的基本概念16
• 2.1.2 入侵检测分类16-18
• 2.1.3 主流入侵检测技术介绍18-21
• 2.2 神经网络21-27
• 2.2.1 概述21-23
• 2.2.2 人工神经元23-24
• 2.2.3 反向传播神经网络24-27
• 2.3 粒子群优化算法在BP神经网络中的应用27-30
• 2.3.1 粒子群优化算法的基本定义27-28
• 2.3.2 粒子群优化算法步骤28-30
• 2.3.3 粒子群优化算法特点30
• 2.3.4 PSO算法在BP神经网络中的应用30
• 2.4 本章小结30-31
• 第三章 入侵检测数据集处理31-50
• 3.1 数据集简介31-33
• 3.1.1 数据集来源31
• 3.1.2 数据集内容分析31-32
• 3.1.3 数据处理过程32-33
• 3.2 实验评估参数指标33-34
• 3.3 数据归一化处理研究与设计34-38
• 3.3.1 特征集分类研究34-35
• 3.3.2 归一化处理实验设计与实现35-38
• 3.3.3 实验实现核心代码38
• 3.4 特征值选取的研究与设计38-49
• 3.4.1 特征值选取研究38-39
• 3.4.2 特征值选取集合简介39-42
• 3.4.3 实验设计42-43
• 3.4.4 实验实现43-46
• 3.4.5 实验结果及分析46-49
• 3.5 本章小结49-50
• 第四章 改进PSO-BP算法及IDS模型设计50-64
• 4.1 改进PSO的BP算法50-52
• 4.1.1 改进背景50
• 4.1.2 PSO算法改进描述50-52
• 4.2 改进PSO的BP算法的入侵检测实现52-59
• 4.2.1 实验设计52-54
• 4.2.2 实验实现函数说明54-55
• 4.2.3 实验实现数据55-57
• 4.2.4 实验结果及分析57-59
• 4.3 基于改进PSO的BP神经网络的入侵检测模型设计59-63
• 4.3.1 入侵检测模型设计59-61
• 4.3.2 实验设计61-62
• 4.3.3 实验结果及分析62-63
• 4.4 本章小结63-64
• 第五章 总结与展望64-66
• 5.1 本文总结64
• 5.2 今后工作及展望64-66
• 参考文献66-70
• 致谢70

【参考文献】

中国期刊全文数据库 前7条

1 罗守山,陈亚娟,宋传恒,王自亮,钮心忻,杨义先;基于用户击键数据的异常入侵检测模型[J];北京邮电大学学报;2003年04期

2 李新宇;周铁军;;基于RBF神经网络的入侵检测优化算法研究[J];计算机安全;2011年04期

3 范瑛;;改进蚁群算法结合BP网络用于入侵检测[J];辽宁工程技术大学学报(自然科学版);2010年05期

4 沈学利;张纪锁;;基于BP网络与改进的PSO算法的入侵检测研究[J];计算机工程与科学;2010年06期

5 闫新娟;谭敏生;严亚周;吕明娥;;基于隐马尔科夫模型和神经网络的入侵检测研究[J];计算机应用与软件;2012年02期

6 冯登国;张敏;张妍;徐震;;云计算安全研究[J];软件学报;2011年01期

7 张新有;曾华q，

本文编号：333189