基于BP神经网络的智能入侵检测研究

论文摘要

随着计算机网络技术的快速发展,网络已日益深入人们的日常生活,其提供的丰富的信息资源给用户的工作和生活带来了极大的方便。但由于网络的开放性和系统的安全漏洞的存在,加之入侵技术的多样化,使得网络安全问题变得日益突出。传统的静态安全技术如防火墙和加密技术等有一定的防卫作用,但缺乏对入侵进行主动检测的机制,而且在使用过程中需要人工实施和维护,难以满足当前网络安全的要求。基于神经网络的入侵检测是一种主动的动态安全技术,能够对内部攻击、外部攻击和误操作提供有效的实时保护。同时,利用神经网络具有自组织、自学习和推广能力的优势,这种入侵检测方法不仅对于已知的攻击模式具有较好的识别能力,而且具有检测未知攻击的能力。因而成为目前网络安全领域的研究热点。本文首先从入侵检测的研究入手,通过对目前入侵检测系统的模型和检测技术的分析对比论述了入侵检测技术的发展趋势。随后重点对BP神经网络进行了研究,详细描述了BP算法的基本思想、流程、存在的问题和其原因。在此基础上,提出了一种针对误差信号函数和学习规则进行改进的BP改进算法,该改进算法具有改动幅度小,实现相对容易的特点。然后采用本文所提出的BP改进算法设计了一个包含六个主要模块的基于BP神经网络的智能入侵检测系统模型,对该模型的设计思想、模型原理图和各模块的实现进行了详细的阐述。该模型将误用检测和异常检测这两种主要的入侵检测技术相结合,使其对已知的攻击模式具有较高的检测准确率并能检测出新的未知的攻击模式。仿真结果表明该系统具有较高的检测正确率。最后,分析了入侵检测系统模型存在的不足并提出了相应的改进方法。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 课题背景和意义
• 1.2 国内外研究现状
• 1.3 论文研究内容和工作
• 1.4 论文组织结构
• 2 入侵检测研究
• 2.1 入侵检测介绍
• 2.1.1 入侵检测的概念
• 2.1.2 入侵检测的原理
• 2.1.3 入侵检测系统及其通用模型（CIDF）
• 2.2 入侵检测系统分类
• 2.2.1 基于主机的入侵检测系统
• 2.2.2 基于网络的入侵检测系统
• 2.3 入侵检测技术
• 2.3.1 误用检测技术
• 2.3.2 异常检测技术
• 2.3.3 入侵检测技术对比
• 2.4 入侵检测技术的发展趋势
• 2.5 本章小结
• 3 BP 神经网络研究
• 3.1 人工神经网络概述
• 3.1.1 人工神经元模型
• 3.1.2 人工神经网络模型
• 3.1.3 人工神经网络特征
• 3.2 BP 神经网络结构
• 3.3 BP 算法
• 3.3.1 BP 算法基本思想
• 3.3.2 BP 算法流程
• 3.3.3 BP 算法存在的问题
• 3.4 BP 神经网络在入侵检测中的应用
• 3.4.1 传统统计检测方法的不足
• 3.4.2 传统统计检测方法的不足
• 3.4.3 BP 神经网络应用于入侵检测的实现方式及存在的问题
• 3.5 本章小结
• 4 BP 改进算法设计
• 4.1 BP 算法的改进措施
• 4.1.1 增加动量项
• 4.1.2 自适应调整学习系数
• 4.1.3 对激发函数和误差函数进行改进
• 4.1.4 改进学习规则
• 4.1.5 其它方法
• 4.2 BP 改进算法基本思想
• 4.3 BP 改进算法实现
• 4.3.1 误差信号函数设计
• 4.3.2 学习规则设计
• 4.3.3 BP 改进算法流程
• 4.4 本章小结
• 5 基于 BP 神经网络的智能入侵检测系统设计
• 5.1 系统总体设计
• 5.2 数据包捕获模块设计
• 5.3 协议分析模块设计
• 5.4 预处理模块设计
• 5.5 BP 神经网络模块设计
• 5.5.1 BP 神经网络设计
• 5.5.2 神经网络入侵检测模型设计
• 5.6 响应模块设计
• 5.7 系统仿真测试
• 5.7.1 学习测试
• 5.7.2 检测测试
• 5.8 本章小结
• 6 结束语
• 6.1 工作总结
• 6.2 工作展望
• 致谢
• 参考文献
• 附录：作者在攻读学位期间发表的论文目录