基于混合模糊神经网络的网络入侵检测

论文摘要

随着网络技术的迅速发展，网络被广泛的使用。随之而来的，网络也成为了攻击者进行攻击的主要平台和目标，各种攻击事件的发生逐年增加，造成的损失也愈加严重。目前网络安全技术主要使用静态安全技术。静态安全技术对防止系统被非法入侵起到了一定作用，但在真正的网络攻击行为发生时，尤其是在遭受新型的网络攻击方法攻击时，系统可能会遭受到不可预料的损失。因此需要研究一些积极主动的网络安全防御手段和反击手段。入侵检测系统(Intrusion DetectionSystem，IDS)是近20年来出现的一种新型动态网络安全技术，能够检测出多种形式的入侵行为，是现代计算机网络安全体系的一个重要组成部分。神经网络入侵检测比传统入侵检测具有更大的优势。人工神经网络入侵检测系统可以通过不断学习和训练，能从未知模式的大量复杂数据中发现其规律，构建起复杂系统的关系模型，对分类和预测有着很好的效果。本文利用一种混合模糊神经网络系统模型（FNHS）作为入侵检测方法。用混合模糊神经网络代替传统单一的神经网络，能有效地提高检测的正确率和预警率。并提出一种有效的降维方法对输入特征维数进行降维，缩小网络的规模，提高了网络的训练速度。实验中使用KDDCup99数据集作为神经网络的训练数据和测试数据，在仿真中体现出具有很好的检测效果，比较适合用于入侵检测系统中。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 入侵检测的国内外现状
• 1.3 课题研究目标
• 第二章 网络攻击与入侵检测技术
• 2.1 网络攻击
• 2.1.1 网络攻击描述
• 2.1.2 网络攻击的种类
• 2.1.3 拒绝服务攻击
• 2.1.4 网络扫描攻击
• 2.2 入侵检测技术
• 2.2.1 入侵检测的概念
• 2.2.2 入侵检测基本原理
• 2.2.3 入侵检测的功能
• 2.2.4 现有的入侵检测分析技术
• 2.2.5 入侵检测的发展方向
• 第三章 神经网络与模糊系统
• 3.1 人工神经网络的理论及其原理
• 3.1.1 神经网络的理论
• 3.1.2 神经网络的框架模型
• 3.1.3 神经网络的学习和训练
• 3.2 BP 神经网络
• 3.2.1 BP 神经网络原理神经网络的框架模型
• 3.2.2 BP 算法的数学描述
• 3.2.3 BP 算法的学习过程
• 3.2.4 BP 多层前馈网络的主要能力
• 3.3 BP 算法的局限性及优化
• 3.3.1 BP 算法的局限性
• 3.3.2 BP 算法的改进
• 3.3.3 改进后的 BP 算法实现
• 3.4 模糊系统
• 3.5 模糊神经网络
• 3.5.1 模糊神经网络简介
• 3.5.2 模糊神经网络的类型
• 第四章 混合模糊神经网络入侵检测系统
• 4.1 传统入侵检测方法及存在的问题
• 4.2 人工神经网络在入侵检测中的应用
• 4.3 通用入侵检测模型
• 4.4 混合模糊网络入侵检测系统模型
• 4.5 数据预处理模块
• 4.6 降维处理模块
• 4.7 神经网络的构建
• 4.7.1 网络结构的选取
• 4.7.2 隐层节点数的确定
• 4.8 模糊系统模块
• 第五章 实验仿真与分析
• 5.1 数据源的选取
• 5.2 数据的预处理
• 5.2.1 数值化处理
• 5.2.2 归一化处理
• 5.3 神经网络输入维数的确定
• 5.4 模糊规则库
• 5.5 实验流程
• 5.6 实验结果及分析
• 第六章 总结与展望
• 致谢
• 参考文献