论文部分内容阅读
随着网络的应用越来越广泛,网络的入侵手段也越来越多,从而严重威胁了网络的安全。只从静态防御的角度(如访问控制、防火墙、数据加密等)构造安全系统很难检测复杂的入侵行为。而入侵检测作为一种动态安全防御技术不但可以有效的检测内部用户的非授权访问,且对外部网络攻击也有较高的检测效率。神经网络技术在入侵检测中应用较为广泛,其中最具有代表性的是反馈型(Back Propagation,简称BP)神经网络,但其本身所具有收敛速度慢、易陷于局部极小等性质限制了检测性能的提高。为解决传统入侵检测模型所存在的检测效率低,对未知的入侵行为检测困难等问题,本文利用基于多层激励函数的量子神经网络进行入侵检测:首先在神经网络的权值调整上,采用适应多个隐层激励函数的调整算法,相对于传统的权值调整,该方法可以使输入数据对应到不同的类空间中,然后对隐层量子神经元的量子间隔进行调整,使其体现出数据的不确定性。这些措施使量子神经网络能表示更多的状态或量级,从而增加隐层神经元的处理速度和检测效率。然后在此基础上,又提出了一种解决前馈型神经网络易陷于局部极小的有效方案并实现了相关算法设计。本文设计了基于量子神经网络的入侵检测模型,并详细设计了数据采集模块和检测引擎模块。最后本文将KDD 1999数据集应用到量子神经网络中,在仿真实验前对入侵数据进行了处理:首先把非字符数据转换成字符数据,其次简约和归一化。然后把处理后的KDD 1999数据的属性集作为量子神经网络的输入,输出则定义为是入侵的种类。实验结果表明:量子神经网络较传统的BP神经网络具有更好的入侵检测能力。