近年來,互聯(lián)網(wǎng)作為最重要的基礎(chǔ)設(shè)施之一,面臨著日益嚴(yán)峻的安全性問題。網(wǎng)絡(luò)入侵行為復(fù)雜多變,單靠收集攻擊行為模式并添加防御規(guī)則的策略遠(yuǎn)不足以抵御風(fēng)險(xiǎn),因此人們在網(wǎng)絡(luò)入侵檢測和防御的研究熱點(diǎn)逐漸轉(zhuǎn)向了基于啟發(fā)式意義的算法上。隨著機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘等技術(shù)的興起,基于網(wǎng)絡(luò)流量行為特征的入侵檢測成為了網(wǎng)絡(luò)安全領(lǐng)域研究的重要方向。本文基于改進(jìn)和進(jìn)一步優(yōu)化的遺傳算法與神經(jīng)網(wǎng)絡(luò)算法建立入侵檢測模型。重點(diǎn)研究了利用優(yōu)化遺傳算法對神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)進(jìn)行啟發(fā)式搜索和選擇的過程。神經(jīng)網(wǎng)絡(luò)算法用于挖掘網(wǎng)絡(luò)連接報(bào)文中的有效特征信息,遺傳算法用于對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行調(diào)優(yōu),并對其在數(shù)據(jù)特征的搜索機(jī)制上進(jìn)行優(yōu)化。最后對不同版本的遺傳算法進(jìn)行了對比和統(tǒng)計(jì)分析。結(jié)果顯示,優(yōu)化后的遺傳算法與神經(jīng)網(wǎng)絡(luò)模型具有高度兼容性,能夠在KDD99網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)集的檢測上得到出色的結(jié)果。同時(shí),將結(jié)果與支持向量機(jī)、蟻群算法以及不同版本遺傳算法的計(jì)算結(jié)果進(jìn)行對比驗(yàn)證,結(jié)果表明本文中改進(jìn)的入侵檢測模型在多個(gè)數(shù)據(jù)集的測試上具有較高的準(zhǔn)確率和較低的假陽性率與假陰性率。本文的主要研究內(nèi)容分為以下四個(gè)部分。（1）基于遺傳算法進(jìn)行多方面細(xì)節(jié)優(yōu)化,構(gòu)造在參... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)

第二章網(wǎng)絡(luò)入侵檢測基礎(chǔ)11jk|w-x||w-x|成立對所有kj(2-4)其中輸入樣本和第j個(gè)節(jié)點(diǎn)對應(yīng)樣本分別為x和wj�；谌缦聰�(shù)學(xué)形式，獲勝神經(jīng)元會向輸入樣本在參數(shù)空間中的位置移動一段距離：)(jjwxw(2-5)其中wj表示了第j個(gè)節(jié)點(diǎn)位置的變化，α作為學(xué)習(xí)率設(shè)置為較小的值，防止模型參數(shù)出現(xiàn)劇烈的變化。與獲勝神經(jīng)元節(jié)點(diǎn)類似，其近鄰節(jié)點(diǎn)也逐漸向輸入向量位置靠近，總體會出現(xiàn)分布的結(jié)構(gòu)化特征。近鄰節(jié)點(diǎn)的定義范圍由閾值參數(shù)N決定，在歐式距離范圍內(nèi)節(jié)點(diǎn)數(shù)量小于N的臨界區(qū)域任意節(jié)點(diǎn)wm均根據(jù)獲勝節(jié)點(diǎn)的分布情況向輸入神經(jīng)元逼近[28]。隨著網(wǎng)絡(luò)大量的訓(xùn)練和嘗試過程，節(jié)點(diǎn)集合最終會找到適應(yīng)數(shù)據(jù)集本身的分布結(jié)構(gòu)。圖2-2展示了在不同階段的訓(xùn)練過程中節(jié)點(diǎn)分布的變化情況。圖2-2自組織映射在自組織映射的四個(gè)訓(xùn)練階段里，(a)中節(jié)點(diǎn)在圖中隨機(jī)分布，(b)和(c)中的節(jié)點(diǎn)根據(jù)輸入向量節(jié)點(diǎn)的位置進(jìn)行調(diào)整，(d)中的節(jié)點(diǎn)排列為經(jīng)過若干訓(xùn)練和調(diào)整后的穩(wěn)定結(jié)構(gòu)，此時(shí)可以對新的輸入向量做分類判別。調(diào)整的過程中，每個(gè)節(jié)點(diǎn)會呈現(xiàn)一個(gè)聚類中心，新的輸入分類結(jié)果取決于它離這些節(jié)點(diǎn)的歐式距離。換言之，獲勝節(jié)點(diǎn)由離輸入距離最近的神經(jīng)元再一次被重設(shè)。在這個(gè)聚類過程中，訓(xùn)練過程結(jié)束后節(jié)點(diǎn)不再移動位置。在入侵檢測業(yè)務(wù)過程中，對訪問請求合法性的判斷即為一個(gè)較為復(fù)雜的分類問題。要分類的數(shù)目與自組織映射里節(jié)點(diǎn)的個(gè)數(shù)是相等

電子科技大學(xué)碩士學(xué)位論文12的，由此來劃分?jǐn)?shù)據(jù)集屬性類別[29-31]。2.5.2支持向量機(jī)同其它線性分類器一樣，支持向量機(jī)(SVM)的目標(biāo)是在p維的特征空間中找到一個(gè)p-1維的超平面，使其能夠?qū)?shù)據(jù)集分為兩類。支持向量機(jī)分類的超平面要求盡可能地遠(yuǎn)離分類后距離平面最近的數(shù)據(jù)點(diǎn)。換言之，支持向量機(jī)對于不同的分類樣本點(diǎn)，要求其在分布空間中彼此之間的間距盡可能大。圖2-3表示了一個(gè)分類問題的三個(gè)可用分類超平面（決策面），對于三角形和圓形表示的兩類樣本點(diǎn)在特征空間中的分布，可以畫出三個(gè)決策面以對其進(jìn)行分類。其中只有Line2在兩類樣本之間分隔出了最大的邊界距離，SVM算法即要找到類似于Line2在此分類過程中所表示的決策面。其中只有Line2是盡可能分隔分類樣本數(shù)據(jù)點(diǎn)的。圖2-3支持向量機(jī)示意圖這種思想的數(shù)學(xué)形式闡述如下,有以下形式的訓(xùn)練數(shù)據(jù)集：)}c)...(xc)(xc)(xc{(xnn332211(2-6)其中，ci為-1或+1，表明了xi所歸屬二分類中的哪一類。然后我們可以通過滿足如下形式的表達(dá)定義分類超平面：bx0w(2-7)w是獨(dú)立于超平面的向量，b是距離原點(diǎn)的偏移量。當(dāng)前便需要確定w和b的值以使得分類平面兩邊的最近樣本距離最大。換句話說，我們需要找到合適的

【參考文獻(xiàn)】：
期刊論文
[1]蟻群算法理論及應(yīng)用研究的進(jìn)展[J]. 段海濱,王道波,朱家強(qiáng),黃向華.  控制與決策. 2004(12)
[2]一種基于動態(tài)進(jìn)化模型的事件探測和追蹤算法[J]. 賈自艷,何清,張海俊,李嘉佑,史忠植.  計(jì)算機(jī)研究與發(fā)展. 2004(07)
[3]人工神經(jīng)網(wǎng)絡(luò)用于巖體工程的方法改進(jìn)[J]. 劉勇健,劉義建.  廣東工業(yè)大學(xué)學(xué)報(bào). 2002(01)
[4]一種自適應(yīng)蟻群算法及其仿真研究[J]. 王穎,謝劍英.  系統(tǒng)仿真學(xué)報(bào). 2002(01)



本文編號：3589949