基于T-S模型模糊神经网络的入侵检测方法研究

论文摘要

入侵检测作为动态安全技术中的核心技术之一,能够实时地全面监控网络、主机和应用程序的运行状态,主动对计算机、网络系统中的入侵行为进行识别和响应,提供了对内部攻击、外部攻击和误操作的实时检测,有效弥补了传统安全防护技术的不足。通过构建动态的安全循环,可以最大限度地提高系统的安全性,减少安全威胁对系统带来的危害。因此,入侵检测研究在计算机网络安全领域得到了广泛关注和重视。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算法——基于T-S模型模糊神经网络的网络入侵检测算法。该算法利用T-S模型模糊神经网络对目标进行聚类,将目标特征空间进行划分,以识别出正常与入侵行为。通过大量研究和实验对Takagi-Sugeno（T-S）型模糊神经网络进行了详细的分析,结合BP算法思想实现了针对T-S模型的网络隶属函数参数的训练算法,将遗传算法用于权值学习,得到更快速、有效的模糊神经网络。以网络入侵检测研究为出发点,将T-S型模糊神经网络运用到入侵检测中,根据网络入侵检测的特征,提出了相应的检测规则和针对入侵检测的数据分析方法。在Matlab仿真平台上进行了基于T-S模糊神经网络的网络入侵检测的仿真实验。实验结果表明,本文提出的基于T-S模型模糊神经网络的网络入侵检测方法是可行的、有效的,并具有良好的可扩展性,并且能有效降低误检率的同时,检测率得到了一定提高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 入侵检测的研究背景和现状
• 1.1.1 网络安全技术现状
• 1.1.2 入侵检测技术研究现状
• 1.2 智能技术在入侵检测系统中的应用现状
• 1.3 本文的研究目的和意义
• 1.4 本文的内容概要
• 第2章 入侵检测概述
• 2.1 入侵检测的概念
• 2.2 入侵检测系统的结构
• 2.3 入侵检测系统的分类
• 2.3.1 基于主机的入侵检测
• 2.3.2 基于网络的入侵检测
• 2.3.3 分布式入侵检测系统
• 2.4 入侵检测系统评价标准及其发展方向
• 2.5 入侵检测技术
• 2.5.1 异常检测
• 2.5.2 误用检测
• 2.6 本章小结
• 第3章 模糊神经网络
• 3.1 模糊系统与神经网络概述
• 3.1.1 神经网络的概念
• 3.1.2 模糊系统
• 3.1.3 模糊逻辑与神经网络的比较
• 3.2 模糊系统与神经网络的融合
• 3.2.1 模糊系统与神经网络的融合方式
• 3.2.2 狭义模糊神经网络
• 3.2.3 神经模糊系统
• 3.2.4 神经-模糊混合系统
• 3.2.5 模糊神经网络的分类
• 3.3 本章小结
• 第4章 T-S 模型模糊神经网络的研究
• 4.1 问题的提出
• 4.1.1 人工神经网络在入侵检测中的应用现状
• 4.1.2 基于T-S FNN 的入侵检测方法的优势
• 4.2 T-S 型模糊神经网络的结构分析
• 4.2.1 T-S 模型的数学原型
• 4.2.2 T-S 模型模糊神经网络结构的设计
• 4.3 前件网络参数的学习算法设计
• 4.3.1 BP 算法的基本原理
• 4.3.2 BP 算原理应用于模糊参数学习
• 4.4 后件网络连接权学习算法设计
• 4.4.1 遗传算法
• 4.4.2 改进遗传算法并用于训练连接权
• 4.5 本章小结
• 第5章 T-S 模型模糊神经网络应用于入侵检测
• 5.1 数据来源
• 5.2 网络数据的特征选取
• 5.2.1 属性相关度分析
• 5.2.2 分类检测
• 5.3 数据预处理
• 5.3.1 字符属性数值化
• 5.3.2 归一化处理
• 5.4 T-S 型模糊神经网络的结构参数设置
• 5.5 本章小结
• 第6章 实验与分析
• 6.1 实验准备
• 6.1.1 实验目的
• 6.1.2 实验环境与实验参数
• 6.2 实验过程描述
• 6.2.1 实验数据处理
• 6.2.2 T-S FNN 的训练
• 6.3 实验结果
• 6.4 结果分析
• 6.5 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢