基于同伦BP算法进行入侵检测的研究

论文摘要

入侵检测是网络安全的重要内容,它是一种积极、有效的网络安全手段。对比传统的静止的防御手段而言,它能主动的进行网络攻击的识别、跟踪以及采取相应的预防措施,因此受到各界越来越多的关注。基于神经网络算法的入侵检测由于其较强的自适应、自学习能力,尤其是对于复杂的训练数据有较强的分析能力,因此在入侵检测中有较好的发展前景。文章从入侵和检测两个方面进行研究。首先对入侵检测和神经网路的基本原理作了简要介绍,并利用NS软件对入侵部分进行了仿真模拟,形象直观的体现了整个入侵过程。随后,文章着重研究检测部分,分析了原始反向传播算法的利弊,并针对其存在的缺陷,提出相应的改进措施:第一,改进原有算法的误差参数,引入交叉熵函数替代均方差函数来稳定算法收敛,改善局部极小点问题;第二,适当调节激活函数,优化函数收敛过程;第三,引入同伦方程进行一次改进权值,并结合动量项方法进行二次改进权值,加快其收敛速度,完善算法理论。同时,找出改进的同伦反向传播算法与入侵检测的切入点,利用MATLAB进行算法平台的搭建,以检验改进后的算法的有效性。比较发现了改进后的同伦反向传播算法收敛速度优于加动量项算法,陷入极小点的几率也有所降低,得出了在一定条件下改进的同伦反向传播算法优于加动量项的反向传播算法的结论。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 研究背景
• 1.2 研究的目的及意义
• 1.2.1 研究目的
• 1.2.2 研究意义
• 1.3 国内外研究现状
• 1.4 研究的内容
• 第二章 入侵检测
• 2.1 基本概念
• 2.2 入侵检测系统模型
• 2.3 入侵检测结构分类
• 2.4 入侵检测过程
• 2.5 入侵检测算法
• 2.6 响应以及追踪
• 2.7 入侵检测系统的评估
• 第三章 神经网络
• 3.1 神经网络概述
• 3.1.1 定义
• 3.1.2 神经元模型
• 3.1.3 信号流图
• 3.2 神经网络工作原理
• 3.3 网络拓扑结构
• 3.4 学习规则
• 3.5 神经网络学习算法
• 3.5.1 误差修正学习
• 3.5.2 基于记忆的学习
• 3.5.3 Hebb学习
• 3.5.4 竞争学习
• 3.5.5 Boltzmann机学习
• 3.6 神经网络的特点
• 第四章 BP神经网络
• 4.1 LMS算法
• 4.2 感知器
• 4.2.1 单层感知器
• 4.2.2 多层感知器
• 4.3 BP算法学习过程
• 4.4 BP神经网络的工作过程
• 第五章 同伦BP算法
• 5.1 同伦基本概念
• 5.2 同伦BP算法生成
• 5.2.1 同伦算法改进过程
• p 的选择'>5.2.2 参数t_p的选择
• 第六章 实验模拟
• 6.1 入侵过程仿真
• 6.1.1 攻击过程拓扑
• 6.1.2 攻击过程仿真
• 6.1.3 攻击结果分析
• 6.2 MATLAB概述
• 6.2.1 MATLAB特点
• 6.2.2 MATLAB工作流程
• 6.3 神经网路构建及BP算法性能比较
• 6.3.1 准备工作
• 6.3.2 网络训练过程
• 6.3.3 实验结果分析
• 结论
• 本系统特点
• 关键技术与创新点
• 系统不足
• 工作展望
• 参考文献
• 攻读硕士学位期间取得的学术成果
• 致谢