基于网络流量异常检测的网络安全技术研究 ——群体智能算法优化的神经网络技术研究

论文摘要

随着计算机网络技术的发展和网络系统的膨胀,敏感数据正面临着被黑客攻击的威胁。入侵检测是企图入侵,正在进行的入侵或已经发生的入侵进行识别的过程,是一种主动的网络安全防御措施。入侵检测作为网络安全研究的重要内容,已经引起了国内外学者的广泛关注。目前入侵检测方法检测率较低,误报率和漏报率较高以及实时性较差等缺点,需要大量或完备的数据才能达到比较理想的检测性能。本文分析了在新的网络环境中传统入侵检测方法面临的困境,并针对目前入侵检测中所存在的问题,提出了一种新的检测模型——基于群体智能算法的神经网络模型。首先,本文阐述了入侵检测的概念,特点,分类,研究内容及传统入侵检测面临的困境;接着介绍了神经网络的基本原理和粒子群优化（Particle Swarm Optimization, PSO）算法以及具有量子行为粒子群算法（Quantum-behaved Particle Swarm Optimization,QPSO）的基本思想,强调了QPSO在全局优化问题中比PSO算法具有更好的收敛性能。本文进一步阐述了神经网络的概念,特点,结构,并介绍了小波神经网络的算法,分类等。接着以小波神经网络（WNN）为对象,应用QPSO算法作为训练算法,给出了具体的操作过程。接着,本文将QPSO优化的小波神经网络用于网络异常检测。为了测试性能,分别将遗传算法（Genetic Algorithm,简称GA）,PSO算法以及QPSO算法分别训练小波神经网络,通过智能算法对操作变量的优化,在进行异常检测的过程中,尽量提高异常检测率,降低误判率。采用KDD99数据集进行的实验证明,基于QPSO的小波神经网络的网络入侵检测算法,有效的提高了检测率,同时具有较低的误判率。最后,本文提出一种改进的QPSO算法,并将它用来优化小波模糊神经网络,建立的模型在KDD99数据集上进行实验证明,该模型是有效的。本文的研究工作表明,用QPSO算法及改进的QPSO算法训练神经网络,其性能优于其他智能算法如:PSO算法和遗传算法,收敛速度也比PSO算法或GA算法快,这些结果表明,QPSO是一种高性能的神经网络训练算法,在用神经网络对网络异常检测中能发挥很好的作用。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景及意义
• 1.2 人工神经网络的研究概况
• 1.3 智能优化算法的研究概况
• 1.4 论文的主要研究工作
• 第二章 入侵检测概述
• 2.1 入侵检测的产生与发展
• 2.2 入侵检测的基本概念
• 2.2.1 入侵检测的概念
• 2.2.2 入侵检测的结构
• 2.2.3 入侵检测的作用
• 2.2.4 入侵检测的必要性
• 2.3 入侵检测系统的分类
• 2.3.1 按照检测对象分类
• 2.3.2 按照检测的技术或方法分类
• 2.4 入侵检测系统存在的问题和发展方向
• 2.4.1 入侵检测系统存在的问题
• 2.4.2 入侵检测系统的发展方向
• 第三章 粒子群优化算法
• 3.1 粒子群优化算法的提出
• 3.2 基本粒子群优化算法
• 3.2.1 算法原理
• 3.2.2 算法流程
• 3.2.3 算法的社会行为分析
• 3.3 几种改进的粒子群优化算法
• 3.3.1 带有惯性因子的粒子群优化算法
• 3.3.2 带有收缩因子的粒子群优化算法
• 3.3.3 基于遗传思想改进的粒子群优化算法
• 3.3.4 小生境粒子群优化算法
• 3.3.5 其他的改进粒子群优化算法
• 3.4 具有量子行为粒子群算法
• 3.4.1 粒子群算法的缺点
• 3.4.2 具有量子行为粒子群算法模型
• 3.4.3 具有量子行为粒子群算法的优点
• 第四章 基于QPSO-WNN 在异常检测中的应用
• 4.1 小波神经网络简介
• 4.1.1 小波分析简介
• 4.1.2 小波神经网络的提出
• 4.1.3 小波函数的选取
• 4.1.4 小波神经网络面临的挑战
• 4.2 遗传算法优化的小波神经网络模型
• 4.2.1 遗传算法概述
• 4.2.2 基于GA 的小波神经网络的模型建立
• 4.3 QPSO 优化的小波神经网络模型
• 4.4 实验数据描述
• 4.4.1 原始数据中网络连接信息预处理
• 4.4.2 数据集描述
• 4.4.3 实验数据预处理
• 4.5 仿真实验
• 第五章 基于MQPSO-WFNN 的网络异常检测问题的研究
• 5.1 改进的QPSO 算法
• 5.2 小波模糊神经网络概述
• 5.2.1 模糊神经网络简介
• 5.2.2 小波模糊神经网络简介
• 5.3 系统仿真实验
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文