论文部分内容阅读
本文围绕基于遗传神经网络的入侵检测技术进行研究，提出一种基于遗传神经网络的入侵检测系统，该系统基于遗传算法(Genetic Algorithms，GA)的全局搜索和BP(Back Propagation)网络局部精确搜索的特性，将GA和BP算法有机结合，利用遗传算法优化网络初始权重，使训练好的网络更有效的检测入侵,从而克服了BP算法收敛速度慢、易陷入局部极小值、全局搜索力弱、受网络结构限制等缺点。研究表明，该方法效果良好，学习速度快，分类准确率高。
本系统研究的主要内容：一是通过对遗传神经网络算法本身的研究以及网络数据(包括对正常数据和攻击数据)特征的研究，提高系统对入侵行为检测的准确性；二是在ONE_CLASS分类器(单类分类器)的实现问题上，研究如何将攻击数据分离出去，并能够使数据处理速度适应高速网络。
本文的主要创新之处：一是利用系统的ONE_CLASS分类器首先将大部分正常数据分流来适应高速网络的发展要求；二是利用系统的误用检测模块的检测结果来更新神经网络的训练数据库，使异常检测模块不断提高检测的准确性，而异常检测模块检测到的新的攻击信息也可以通过人工的规则提取来更新误用检测模块的检测规则，使二者互为补充、互相提高。