论文部分内容阅读
随着物联网的快速发展,物联网的使用日益普及。相比传统的互联网,物联网更容易受到各种攻击,一旦遭受攻击,其受到的损失不仅是信息的丢失还涉及到物联网设备。因此,物联网的安全越来越受到人们的重视。传统的入侵检测技术具有检测率低、可扩展性差的缺点,无法适应复杂的物联网环境。针对该问题,本文提出一种基于PSO-ELM的物联网入侵检测框架。本文的主要内容如下:1、针对入侵检测系统可扩展性差、无法适应复杂的分布式物联网环境的问题,提出基于Agent的入侵检测框架,该框架分为采集层、分析层、融合层、协调管理层,并将移动Agent和静态Agent相结合。移动Agent在网络中的不同主机或节点之间移动和执行相关任务;静态Agent对应各层功能,主要包含数据采集Agent、分析Agent、数据融合Agent、响应Agent。数据采集Agent收集传感器终端和传感网络和网络上的信息,并对收集的信息进行预处理;数据分析Agent利用PSO-ELM算法分析数据生成初级警告;数据融合Agent将分析结果关联、合并、聚集生成高级警告;响应Agent对高级响应做出反应阻止入侵行为。2、研究分析层的基于神经网络入侵检测算法,针对BP神经网络收敛速度慢,易陷入局部最优解的问题以及ELM算法执行速度快、参数调节简单,但受随机初始输入权重和偏置影响较大,算法稳定性较差的问题,本文提出将PSO-ELM算法应用于物联网入侵检测,通过PSO算法优化ELM算法的权重和偏置,既有效的解决了BP神经网络收敛速度慢的问题,也解决了ELM算法受随机初始输入权重和偏置影响较大的问题。3、将BP神经网络、ELM算法、PSO-ELM算法在KDDCUP99数据集上进行实验,实验结果表明,PSO-ELM算法在检测正确率、误报率、漏报率、检测率、精度及检测时间六项指标均优于BP神经网络;相比ELM算法,PSO-ELM算法在牺牲时间效率的基础上,提升了其他五项指标。通过研究与实验分析,本文提出的PSO-ELM算法与Agent相结合的方法为物联网入侵检测提供了一种新思路。