基于BP神经网络和聚类分析的入侵检测研究

发布时间：2017-08-21 18:25

  本文关键词：基于BP神经网络和聚类分析的入侵检测研究

  更多相关文章： 入侵检测 遗传算法 BP神经网络 聚类分析 K-means算法

【摘要】：当前计算机和互联网的发展速度之快是众所周知的,这给我们的生活带来革命性的变化。同时,网络安全事件的爆发越来越频繁,危害也越来越大,严重威胁着国家和人们的生命财产安全。由于入侵检测能主动地阻断攻击行为并能有效保障网络安全。因此,对入侵检测的研究具有重要的理论价值和现实意义。本文分析了BP神经网络应用在入侵检测中存在的一些缺点,如检测时间长,容易陷入局部极值等。目前,虽然已经有很多研究学者对BP神经网络进行改进,但基本上都是针对BP网络的权值和阈值加以改进,使检测效果得到了一定的提高;很少有人研究关于BP神经网络结构的改进。本文利用遗传算法不仅调整BP神经网络的权值和阈值,并且对神经网络的结构进行了优化。为了表明检测效果的有效提高,利用MATLAB进行实验仿真,实验结果表明,本文算法比BP神经网络检测和基于PCA的BP神经网络的检测时间缩短一半以上,检测率有了明显的提高,误报率明显降低。本文介绍了聚类分析方法在入侵检测系统中应用,着重研究了K-means算法在入侵检测中的优缺点以及研究现状,发现现有的改进策略在计算相似度值时要么仅考虑距离因素,要么仅考虑密度因素,而本文不但考虑了距离因素同时考虑了密度因素,使算法能够发现任意形状的簇,减小了孤立点对聚类结果的影响。本文又在聚类中心的确定与选择方面,是在最大值最小值的基础上进行改进,来选择和调整聚类中心。在数据集的选取与预处理部分利用遗传BP神经网络的特征选择结果作为初始数据集,然后引用KPCA技术和改进K-means算法相结合。最后进行实验比较,发现本文对K-means算法的改进方法比一般K-means算法以及基于最大最小距离法多中心聚类算法检测率明显提高,误报率明显降低,同时对未知攻击能有效的检测出来。本文的研究工作,为入侵检测领域提供了理论依据和实用价值。
【关键词】：入侵检测 遗传算法 BP神经网络 聚类分析 K-means算法
【学位授予单位】：河北师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.08;TP183
【目录】：

• 摘要4-5
• Abstract5-7
• 目录7-9
• 1 绪论9-17
• 1.1 研究背景及意义9-11
• 1.1.1 研究背景9-11
• 1.1.2 研究意义11
• 1.2 研究现状11-15
• 1.2.1 国内外研究现状11-14
• 1.2.2 面临的主要问题14-15
• 1.3 研究内容15
• 1.4 论文的组织结构15-17
• 2 入侵检测技术17-22
• 2.1 入侵检测概述17
• 2.2 入侵检测技术17-20
• 2.2.1 基于异常检测的技术17-19
• 2.2.2 基于误用检测的技术19-20
• 2.3 入侵检测的性能评价20
• 2.4 入侵检测现存缺陷20-22
• 3 基于BP神经网络的入侵检测研究22-42
• 3.1 预备知识22-29
• 3.1.1 BP神经网络22-27
• 3.1.2 遗传算法27-29
• 3.2 改进遗传BP神经网络算法29-35
• 3.2.1 改进算法的思想29-30
• 3.2.2 改进算法的流程30-31
• 3.2.3 改进算法的步骤31-35
• 3.3 改进BP神经网络的入侵检测实验仿真35-42
• 3.3.1 数据集的介绍35
• 3.3.2 数据预处理35-36
• 3.3.3 实验流程36-38
• 3.3.4 实验结果与分析38-42
• 4 基于聚类分析的入侵检测研究42-55
• 4.1 预备知识42-49
• 4.1.1 聚类分析42-46
• 4.1.2 K-means算法46-49
• 4.2 改进K-means算法的入侵检测49-51
• 4.2.1 改进算法思想49-50
• 4.2.2 改进K-means步骤流程50-51
• 4.3 改进K-means的入侵检测实验仿真51-55
• 5 总结与展望55-58
• 5.1 总结55-57
• 5.2 展望57-58
• 参考文献58-62
• 致谢62-63
• 攻读学位期间取得的科研成果清单63

【参考文献】

中国期刊全文数据库 前10条

1 孙雪;李昆仑;胡夕坤;赵瑞;;基于半监督K-means的K值全局寻优算法[J];北京交通大学学报;2009年06期

2 黄勤;龚海清;刘金亨;孔祥龙;;基于改进的遗传神经网络入侵检测系统[J];重庆理工大学学报(自然科学版);2010年02期

3 钟云胜;;入侵检测技术在数据库中的应用及实践探讨[J];四川文理学院学报;2014年02期

4 袁遇晴;况湘玲;凌利军;;基于数据挖掘的网络入侵检测研究[J];计算机安全;2014年07期

5 徐建;薛永隽;;机器学习理论在入侵检测技术中的应用研究[J];信息化研究;2014年03期

6 关健,刘大昕;一种基于遗传算法的误用检测模型自适应建立算法[J];哈尔滨工程大学学报;2004年01期

7 顾洪博;;基于k-means算法的k值优化的研究与应用[J];海南大学学报(自然科学版);2009年04期

8 黄建娜;陈海虹;刘保军;;电磁齿轮控制系统中神经网络PID控制的研究及其MATLAB实现[J];机床与液压;2012年08期

9 谭小彬,王卫平,奚宏生,殷保群;计算机系统入侵检测的隐马尔可夫模型[J];计算机研究与发展;2003年02期

10 刘利军;怀进鹏;;基于有穷自动机的网络扫描检测算法研究与实现[J];计算机研究与发展;2006年03期

中国博士学位论文全文数据库 前1条

1 刘积芬;网络入侵检测关键技术研究[D];东华大学;2013年

中国硕士学位论文全文数据库 前7条

1 王昊;网络入侵异常检测的统计方法研究[D];华中师范大学;2011年

2 王思霏;基于自然免疫和适应性免疫的网络入侵检测模型研究[D];电子科技大学;2008年

3 陈小辉;基于数据挖掘的入侵检测技术研究[D];南京理工大学;2008年

4 宋媛;聚类分析中确定最佳聚类数的若干问题研究[D];延边大学;2013年

5 郭冯俊;基于数据挖掘的入侵检测系统的研究与应用[D];湖南大学;2012年

6 胡领;数据挖掘技术在网络入侵检测中的应用研究[D];宁夏大学;2014年

7 刘胜会;聚类分析在入侵检测中的应用研究[D];重庆大学;2014年

，

本文编号：714421