论文部分内容阅读
随着计算机网络技术的迅速发展及广泛应用,其安全问题日益严峻。入侵检测对网络安全的保障发挥着重要的作用,该技术是一种协同防火墙的动态策略,能实时监控和动态保护网络安全。入侵分析模块是入侵检测系统的核心,决定着检测率和效率。为提高异常检测系统的检测率和效率,众多研究者在软计算方法上做了相关工作,软计算方法通常有神经网络、遗传算法、模糊数学和粗糙集理论等。就神经网络而言,单个神经网络对记录多、维数高的数据存在检测率偏低等问题,集成神经网络解决了部分问题。在异常检测系统中引入基于特征加权的集成神经网络能改善其检测率偏低、效率不高等问题,集成方案也有待进一步研究。
本文主要研究了入侵检测的神经网络集成和特征加权,并对单个神经网络做了改进与优化。相关工作要点如下：⑴分析BP(Error Back Propagation)和RBF(Radical Basis Function)两种人工神经网络。针对BP算法的易陷局部最优、收敛速度慢等问题做了改进,利用现有文献中已改进的遗传算法对BP神经网络的连接权值与网络结构同时优化;对RBF的初始聚类改进后加快了其训练速度。构造不同类型的神经网络为集成做了铺垫工作。⑵根据集成神经网络理论,选择不同特征属性和网络结构训练出一批检测率较高的单个神经网络,然后集成这批差异度较大的神经网络以提高其检测率和泛化能力。⑶针对不同特征属性对决策属性的影响程度不同,使用了特征属性加权方案.为了保持原始数据的分布,用聚类算法来提取数据。⑷用C++语言实现了特征加权的集成神经网络,在KDDCUP99数据集上进行了仿真实验,实验表明基于特征加权的集成神经网络提高了入侵检测系统的检测率和效率。