本文關(guān)鍵詞：基于BP神經(jīng)網(wǎng)絡和聚類分析的入侵檢測研究

  更多相關(guān)文章： 入侵檢測 遺傳算法 BP神經(jīng)網(wǎng)絡 聚類分析 K-means算法

【摘要】：當前計算機和互聯(lián)網(wǎng)的發(fā)展速度之快是眾所周知的,這給我們的生活帶來革命性的變化。同時,網(wǎng)絡安全事件的爆發(fā)越來越頻繁,危害也越來越大,嚴重威脅著國家和人們的生命財產(chǎn)安全。由于入侵檢測能主動地阻斷攻擊行為并能有效保障網(wǎng)絡安全。因此,對入侵檢測的研究具有重要的理論價值和現(xiàn)實意義。本文分析了BP神經(jīng)網(wǎng)絡應用在入侵檢測中存在的一些缺點,如檢測時間長,容易陷入局部極值等。目前,雖然已經(jīng)有很多研究學者對BP神經(jīng)網(wǎng)絡進行改進,但基本上都是針對BP網(wǎng)絡的權(quán)值和閾值加以改進,使檢測效果得到了一定的提高;很少有人研究關(guān)于BP神經(jīng)網(wǎng)絡結(jié)構(gòu)的改進。本文利用遺傳算法不僅調(diào)整BP神經(jīng)網(wǎng)絡的權(quán)值和閾值,并且對神經(jīng)網(wǎng)絡的結(jié)構(gòu)進行了優(yōu)化。為了表明檢測效果的有效提高,利用MATLAB進行實驗仿真,實驗結(jié)果表明,本文算法比BP神經(jīng)網(wǎng)絡檢測和基于PCA的BP神經(jīng)網(wǎng)絡的檢測時間縮短一半以上,檢測率有了明顯的提高,誤報率明顯降低。本文介紹了聚類分析方法在入侵檢測系統(tǒng)中應用,著重研究了K-means算法在入侵檢測中的優(yōu)缺點以及研究現(xiàn)狀,發(fā)現(xiàn)現(xiàn)有的改進策略在計算相似度值時要么僅考慮距離因素,要么僅考慮密度因素,而本文不但考慮了距離因素同時考慮了密度因素,使算法能夠發(fā)現(xiàn)任意形狀的簇,減小了孤立點對聚類結(jié)果的影響。本文又在聚類中心的確定與選擇方面,是在最大值最小值的基礎上進行改進,來選擇和調(diào)整聚類中心。在數(shù)據(jù)集的選取與預處理部分利用遺傳BP神經(jīng)網(wǎng)絡的特征選擇結(jié)果作為初始數(shù)據(jù)集,然后引用KPCA技術(shù)和改進K-means算法相結(jié)合。最后進行實驗比較,發(fā)現(xiàn)本文對K-means算法的改進方法比一般K-means算法以及基于最大最小距離法多中心聚類算法檢測率明顯提高,誤報率明顯降低,同時對未知攻擊能有效的檢測出來。本文的研究工作,為入侵檢測領(lǐng)域提供了理論依據(jù)和實用價值。
【關(guān)鍵詞】：入侵檢測 遺傳算法 BP神經(jīng)網(wǎng)絡 聚類分析 K-means算法
【學位授予單位】：河北師范大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP393.08;TP183
【目錄】：

• 摘要4-5
• Abstract5-7
• 目錄7-9
• 1 緒論9-17
• 1.1 研究背景及意義9-11
• 1.1.1 研究背景9-11
• 1.1.2 研究意義11
• 1.2 研究現(xiàn)狀11-15
• 1.2.1 國內(nèi)外研究現(xiàn)狀11-14
• 1.2.2 面臨的主要問題14-15
• 1.3 研究內(nèi)容15
• 1.4 論文的組織結(jié)構(gòu)15-17
• 2 入侵檢測技術(shù)17-22
• 2.1 入侵檢測概述17
• 2.2 入侵檢測技術(shù)17-20
• 2.2.1 基于異常檢測的技術(shù)17-19
• 2.2.2 基于誤用檢測的技術(shù)19-20
• 2.3 入侵檢測的性能評價20
• 2.4 入侵檢測現(xiàn)存缺陷20-22
• 3 基于BP神經(jīng)網(wǎng)絡的入侵檢測研究22-42
• 3.1 預備知識22-29
• 3.1.1 BP神經(jīng)網(wǎng)絡22-27
• 3.1.2 遺傳算法27-29
• 3.2 改進遺傳BP神經(jīng)網(wǎng)絡算法29-35
• 3.2.1 改進算法的思想29-30
• 3.2.2 改進算法的流程30-31
• 3.2.3 改進算法的步驟31-35
• 3.3 改進BP神經(jīng)網(wǎng)絡的入侵檢測實驗仿真35-42
• 3.3.1 數(shù)據(jù)集的介紹35
• 3.3.2 數(shù)據(jù)預處理35-36
• 3.3.3 實驗流程36-38
• 3.3.4 實驗結(jié)果與分析38-42
• 4 基于聚類分析的入侵檢測研究42-55
• 4.1 預備知識42-49
• 4.1.1 聚類分析42-46
• 4.1.2 K-means算法46-49
• 4.2 改進K-means算法的入侵檢測49-51
• 4.2.1 改進算法思想49-50
• 4.2.2 改進K-means步驟流程50-51
• 4.3 改進K-means的入侵檢測實驗仿真51-55
• 5 總結(jié)與展望55-58
• 5.1 總結(jié)55-57
• 5.2 展望57-58
• 參考文獻58-62
• 致謝62-63
• 攻讀學位期間取得的科研成果清單63

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫雪;李昆侖;胡夕坤;趙瑞;;基于半監(jiān)督K-means的K值全局尋優(yōu)算法[J];北京交通大學學報;2009年06期

2 黃勤;龔海清;劉金亨;孔祥龍;;基于改進的遺傳神經(jīng)網(wǎng)絡入侵檢測系統(tǒng)[J];重慶理工大學學報(自然科學版);2010年02期

3 鐘云勝;;入侵檢測技術(shù)在數(shù)據(jù)庫中的應用及實踐探討[J];四川文理學院學報;2014年02期

4 袁遇晴;況湘玲;凌利軍;;基于數(shù)據(jù)挖掘的網(wǎng)絡入侵檢測研究[J];計算機安全;2014年07期

5 徐建;薛永雋;;機器學習理論在入侵檢測技術(shù)中的應用研究[J];信息化研究;2014年03期

6 關(guān)健,劉大昕;一種基于遺傳算法的誤用檢測模型自適應建立算法[J];哈爾濱工程大學學報;2004年01期

7 顧洪博;;基于k-means算法的k值優(yōu)化的研究與應用[J];海南大學學報(自然科學版);2009年04期

8 黃建娜;陳海虹;劉保軍;;電磁齒輪控制系統(tǒng)中神經(jīng)網(wǎng)絡PID控制的研究及其MATLAB實現(xiàn)[J];機床與液壓;2012年08期

9 譚小彬,王衛(wèi)平,奚宏生,殷保群;計算機系統(tǒng)入侵檢測的隱馬爾可夫模型[J];計算機研究與發(fā)展;2003年02期

10 劉利軍;懷進鵬;;基于有窮自動機的網(wǎng)絡掃描檢測算法研究與實現(xiàn)[J];計算機研究與發(fā)展;2006年03期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 劉積芬;網(wǎng)絡入侵檢測關(guān)鍵技術(shù)研究[D];東華大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前7條

1 王昊;網(wǎng)絡入侵異常檢測的統(tǒng)計方法研究[D];華中師范大學;2011年

2 王思霏;基于自然免疫和適應性免疫的網(wǎng)絡入侵檢測模型研究[D];電子科技大學;2008年

3 陳小輝;基于數(shù)據(jù)挖掘的入侵檢測技術(shù)研究[D];南京理工大學;2008年

4 宋媛;聚類分析中確定最佳聚類數(shù)的若干問題研究[D];延邊大學;2013年

5 郭馮俊;基于數(shù)據(jù)挖掘的入侵檢測系統(tǒng)的研究與應用[D];湖南大學;2012年

6 胡領(lǐng);數(shù)據(jù)挖掘技術(shù)在網(wǎng)絡入侵檢測中的應用研究[D];寧夏大學;2014年

7 劉勝會;聚類分析在入侵檢測中的應用研究[D];重慶大學;2014年

，

本文編號：714421