基于快速神经网络的入侵检测技术研究

论文摘要

由于计算机的大规模普及、互联网的高速发展及整个计算机以及网络系统内在的脆弱性,使得计算机资源及网络系统安全成为当今最为引人瞩目的研究领域之一。系统软件设计上的安全漏洞、管理配置不当而造成的漏洞以及网络协议本身的设计存在的安全隐患,这些都为攻击者采用非正常手段入侵系统提供了可乘之机。目前,网络欺诈、垃圾信息、僵尸网络等新威胁不断出现。同时,入侵者利用安全漏洞的速度越来越快,利用的攻击工具也越来越复杂,计算机网络安全状况不容乐观。入侵检测作为一种积极主动的安全防护技术,提供了对内部攻击、外部攻击和误操作的实时保护。神经网络具有概括和抽象能力,能处理不完整输入信息,能适应网络环境,而且具有高度的学习和自适应能力,能够识别全新入侵行为的特征,可以克服基于专家系统检测技术的局限性。将神经网络技术运用于入侵检测中,可以有效提高入侵检测的检测率,降低误报率。论文的创新点如下：本文在深入研究了传统入侵检测技术和神经网络技术的前提下,针对BP神经网络训练速度慢、过度拟合等缺点,提出将神经网络快速学习算法运用于入侵检测中,通过KDDCUP99数据库进行仿真实验,实验结果表明：和传统的BP算法相比该算法可以提高学习速度,减少学习时间,提高入侵检测的检测率。本文在研究了现有入侵检测系统的基础上,分析了传统入侵检测系统的不足,结合神经网络快速学习算法,提出一种混合入侵检测系统模型：基于神经网络快速学习算法的入侵检测系统模型。该模型主要由数据采集模块、分析模块、入侵响应模块和入侵数据库构成,文中给出了模型的结构图以及每一个模块的原理和实现方式。最后分析了该模型具体实现的问题及入侵检测系统面临的难题。

论文目录

• 致谢
• 摘要
• Abstract
• 第一章 绪论
• 1.1 本文研究背景
• 1.1.1 网络安全的现状及发展趋势
• 1.1.2 入侵检测技术发展现状及趋势
• 1.1.3 神经网络技术
• 1.2 论文研究内容及组织
• 第二章 入侵检测技术分析
• 2.1 入侵检测的相关定义
• 2.1.1 入侵和入侵检测的定义
• 2.1.2 入侵检测的模型
• 2.2 入侵检测技术的分类
• 2.2.1 按照信息源的分类
• 2.2.2 按照检测方法的分类
• 2.3 入侵检测方法
• 2.3.1 误用入侵检测技术
• 2.3.2 异常入侵检测技术
• 2.3.3 混合型入侵检测技术
• 2.3.4 分布式入侵检测技术
• 2.4 入侵检测技术的发展趋势
• 2.5 本章小结
• 第三章 神经网络技术研究
• 3.1 人工神经网络
• 3.1.1 神经元模型
• 3.1.2 神经网络的结构
• 3.1.3 人工神经网络的分类
• 3.2 BP神经网络
• 3.2.1 BP神经元及其模型
• 3.2.2 BP网络的学习
• 3.3 本章小结
• 第四章 快速学习算法在入侵测中的应用
• 4.1 单隐藏层前馈神经网络
• 4.1.1 SLFN模型
• 4.1.2 BP算法
• 4.2 快速学习算法
• 4.3 仿真检测实验设计
• 4.3.1 实验平台及实验目的
• 4.3.2 实验样本选择及预处理
• 4.3.3 实验结构设计
• 4.4 ELM仿真实验结果
• 4.5 BP神经网络仿真实验
• 4.5.1 BP神经网络学习算法比较
• 4.5.2 训练效果图
• 4.6 结果分析
• 4.7 本章小结
• 第五章 基于快速神经网络的入侵检测系统模型
• 5.1 入侵检测的CIDF模型
• 5.2 基于快速神经网络的入侵检测模型
• 5.3 模型功能设计
• 5.3.1 数据收集模块
• 5.3.2 分析模块
• 5.3.3 侵响应模块
• 5.3.4 侵数据库
• 5.4 侵检测系统的实现
• 5.5 本章小结
• 第六章 总结
• 参考文献
• 攻读硕士学位期间发表的主要论文
• 摘要
• Abstract