基于遗传神经网络的入侵检测系统研究

论文摘要

本文主要研究了神经网络的相关理论,研究了BP神经网络的训练过程、基本算法并做出相应改进即将全部误差累加求和之后集中修改权值,消除了原算法中样本数据的顺序对结果的影响。在此基础上提出了一种利用遗传算法两次优化改进BP神经网络的模型(Twice Genetic Algorithm Back Propagation ,TGB),该模型的基本思想是先用遗传算法确定用来描述神经网络模型的参数组合,直到适应度函数趋于稳定,即其平均值不再有意义地增加为止。遗传算法粗选网络模型后,用BP神经网络确定使误差函数取极小值的模型参数组合,当平均误差不再有意义地减少时停止。之后,再一次使用遗传算法对模型参数进行n代的优化,以解决可能的局部极小问题,直到误差范围达到令人满意的要求或者发现搜索不收敛为止。之后将待测样本作为输入层数据,利用已经确定的稳定权值经过正向传播得到输出结果,实现了模型的预测功能。本文利用KDD CUP’99数据集对系统进行性能分析。为了简化神经网络规模、提高系统实时性,提出了一种新的降维方法即特征选提法,该方法根据具体数据先用特征选择方法粗选降维,去除影响小的特征和冗余,在此基础上,再利用特征提取方法中的主成分分析法将降维后的特征集进行映射处理,得到新的数据特征,新的特征中即包含了原有全体特征的主要信息又使得数据维数明显减少,且各主成分间相互独立,提高系统实时性的同时也提高了系统的准确性。本文将TGB与基于特征选提降维两种算法结合起来,用于入侵检测,得到基于改进的遗传神经网络入侵检测模型,并对该模型的主要模块:网络数据获取模块、数据预处理模块、特征提取模块和改进遗传神经网络入侵检测模块的主要思想和实现方式进行了介绍。实验结果证明:采用新的算法,训练时间和测试时间有不同程度的改善,并在一定程度上提高了检测正确率,降低了误报率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 网络安全面临的威胁
• 1.1.2 研究入侵检测的必要性
• 1.2 国内外的研究进展和现状
• 1.3 本文的主要工作和结构安排
• 1.3.1 本文的主要工作
• 第二章 入侵检测系统介绍
• 2.1 入侵检测的概念
• 2.1.1 入侵检测系统存在与发展的必然性
• 2.1.2 入侵检测的概念及起源
• 2.2 入侵检测系统的基本结构
• 2.3 入侵检测的分类
• 2.3.1 按照分析方法/检测原理分类
• 2.3.2 按照数据来源分类
• 2.4 攻击分类
• 2.5 本章小结
• 第三章 神经网络的概述
• 3.1 神经网络的简介
• 3.2 神经网络模型及训练
• 3.2.1 生物神经元模型
• 3.2.2 神经网络模型
• 3.2.3 神经网络的分类
• 3.3 BP 神经网络
• 3.3.1 训练过程概述
• 3.3.2 基本的BP 算法
• 3.3.3 算法的改进
• 3.4 本章小结
• 第四章 改进遗传神经网络入侵检测系统
• 4.1 遗传算法
• 4.2 遗传算法训练神经网络
• 4.2.1 遗传算法的改进
• 4.2.2 改进后的遗传神经网络（TGB）
• 4.3 改进后的遗传神经网络入侵检测模型
• 4.3.1 网络数据获取模块
• 4.3.2 改进遗传神经网络入侵检测模块
• 4.4 本章小结
• 第五章 仿真实验及分析
• 5.1 特征选提法应用
• 5.1.1 实验环境
• 5.1.2 样本选择
• 5.1.3 特征选提法应用
• 5.2 实验步骤
• 5.3 实验结果及分析
• 5.4 本章小结
• 第六章 总结和展望
• 6.1 本文主要工作
• 6.2 有待进一步研究的内容
• 参考文献
• 发表论文和科研情况说明
• 致谢