神经网络算法 python_基于集成神经网络技术的IDS入侵检测系统研究

时间：2019-05-07 03:33:13　来源：柠檬阅读网本文已影响人

　　摘要：网络入侵检测是近几年信息安全领域的研究热点。为了提高网络入侵检测系统中异常数据检测的精度、降低漏报率和误报率，维护网络系统安全，该文提出了一种基于Adaboost算法集成BP神经网络的网络入侵检测方法。该方法首先构造个体BP神经网络模型，个体BP神经网络为弱分类器即可，然后通过大量训练样本对模型进行训练，采用Adaboost算法对其弱分类器进行集成构造强分类器模型。最后在KDD 99数据集上，通过Matlab软件进行仿真实验，实验结果表明，该方法能有效的提高异常数据检测的精度。
　　关键词：BP神经网络；Adaboost算法；入侵检测
　　中图分类号：TP393文献标识码：A文章编号：1009-3044(2012)12-2687-02
　　随着计算机网络技术的飞速发展，网络入侵检测系统成为了近几年信息安全领域研究的热点。入侵检测可以有效地维护网络安全，实现实时保护，抵制各种外部入侵、内部攻击等，弥补了防火墙的不足。网络入侵检测实际上是通过分析网络数据包，把正常数据和异常数据进行有效地分类，找出异常数据。近年来，涌现了大量的基于机器学习的网络入侵检测系统模型，如基于免疫遗传算法、神经网络、支持向量机等等的异常检测算法模型[1]。其中BP神经网络具有学习能力强、结构简洁和非线性映射能力，在网络入侵检测中得到了广泛的应用。但是由于网络数据量非常大，传统的BP神经网络模型在预测分类时往往具有预测分类精度低、模型收敛速度慢等缺陷，不能有效地找出异常攻击样本[2][3]。该文基于这些缺陷，提出了一种基于Adaboost算法集成BP神经网络的网络入侵检测方法，采用Matlab软件进行仿真实验，在KDD 99数据集进行测试，实验结果表明该方法可有效提高小类样本的预测效果，降低漏报率和误报率。
　　 1 BP神经网络模型
　　 1.1 BP神经网络定义
　　BP神经网络是目前应用最广泛的人工神经网络之一，是一种前馈型的、有导师学习、采用误差反向传播算法的神经网络。在该模型中，信号由正向传播和反向传播两过程组成。正向传播时，数据由输入层输入传输至隐藏层，隐藏层单元处理后的结果由输出层输出，如果输出结果与输出期望不符时，进行反向传播，即调整权值对输出结果进行再次正向传播的数据处理，不断重复此过程直至输出结果与输出预期的误差在预设范围内，或者完成了预设的学习次数为止[4]。图1为BP神经网络模型。
　　[2] PanHao,LiXingfeng. Research of the Intrusion Detection Approach Based on the Split-assembly BP Neural Network[C].Proc.of the 3rd In ternational Symposium on Magnetic Industry&the 1st International Symposium on Physics and Industry.Shenyang,China:[s.n.],2004.
　　[3]韩力群.人工神经网络教程[M].北京:北京邮电大学出版社,2006.
　　[4]刘星昊.融合多数据源构建基因调控网络[D].长春:吉林大学,2010.
　　[5]Fengrong Sun,Drew Morris,Paul Babyn.The Optimal linear transformation-based fMRI.feature space analysis[J].Medical and Biological En gineering and Computing.2009,47(11):19-29.
　　[6]张治国.人工神经网络及其在地质学中的应用研究[D].长春:吉林大学,2006.
　　[7] Viola P,Jones M.Fast and robust classification using asymmetric Adaboost and a detector cascade[J].Advances in Neural Information Pro cessing Systems,2002,14:1311-1318.
　　[8]赵春晖，张洪才，陆朝霞.基于Adaboost的选择性样本权重更新算法.计算机应用研究[J]，2008.10:2943-2945.

相关热词搜索：入侵 检测系统 网络技术 神经

神经网络算法 python_基于集成神经网络技术的IDS入侵检测系统研究

最新文章

热门文章