论文部分内容阅读
近年来，网络安全问题得到了越来越多人的关注，作为网络安全重要技术之一，入侵检测技术经历了近三十年的发展，但其仍存在若干不足因素(比如检测实时性差，需手动更新规则库等)，将BP神经网络应用于网络入侵检测能有效针对上述不足，却又存在系统误报率、漏报率较高等问题。针对传统BP神经网络入侵检测模型在检测率和收敛速度等方面的缺陷，将改进型PSO-BP神经网络应用于入侵检测系统模型中，选用KDDCUP1999中的Dos攻击和Probing攻击数据集，通过Microsoft Visual Studio2010及Matlab2010b进行仿真实验，验证系统在漏报率、误报率以及收敛速度方面的改进效果。目前，神经网络广泛应用于各个领域并取得了较好的成果，文章之所以进行这样的尝试，主要因为：（1）区别于传统入侵检测技术，将神经网络应用于入侵检测可以通过训练的方法获取预知能力，对于新的入侵方式，可以通过再训练的方法使神经网络对新的攻击做出响应，保证了系统的自适应能力；（2）神经网络具有一定的容错处理能力及较强的鲁棒性，适用于基于网络的入侵检测系统；（3）神经网络具有快速的匹配能力，使其能够保证系统实时性的要求。文章首先论述了网络攻击类型，通过对各种攻击技术的原理进行分析，引出入侵检测技术，并对入侵检测发展方向进行了探讨。其次详细分析了标准BP神经网络算法及常用的改进方式，其中包括梯度下降算法和附加动量算法等。针对BP神经网络局部搜索能力和粒子群算法的全局搜索能力，详细描述将粒子群算法应用于BP神经网络的情形，并论述了改进型PSO-BP神经网络的算法流程。最后论述改进型PSO-BP神经网络入侵检测的系统模型，选用KDDCUP1999数据集进行仿真实验，验证入侵检测模型在检测Dos攻击和Probing扫描攻击，在系统漏报率、误报率以及收敛速度方面的改进，说明了改进型PSO-BP神经网络应用于入侵检测系统的有效性和可行性。