云环境下基于改进BP算法的入侵检测方法研究

摘要

虚拟化是云计算底层实现中的核心部分，能够实现云平台计算资源的高效利用。云计算的开放性则使得虚拟化环境面临着众多的安全威胁。传统的入侵检测技术的检测效率较低，并且难以兼容于虚拟化环境的网络结构。因此，如何实现虚拟化中不同网络架构下的入侵检测方法的研究对云计算应用的发展有重要的意义。
　　针对现有云入侵检测系统对不同虚拟网络模型的兼容性较低、检测精度较低等问题，本文对云环境下的入侵检测方法开展了比较深入的研究，提出了两种基于群智能算法（PSO算法和DE算法）的改进BP检测算法。论文的主要研究工作如下:
　　(1)深入研究不同虚拟化网络架构下的相应检测策略，总结了各类方法的技术特点，分析现有虚拟化检测技术和方法的不足。
　　(2)针对现有方法存在的问题，在深入研究KVM网络模型的基础上，提出一种云环境下基于改进BP算法的入侵检测模型(MBPCIDM)。该模型能够使用NAT+网桥模式实现KVM用户模式下的抓包、解析包、提取特征、检测特征集、响应入侵行为等模块，兼容了KVM虚拟化环境中的不同网络模式，能够为云环境提供入侵检测服务。
　　(3)在深入分析虚拟化网络结构的基础上，针对BP算法易于陷入局部极小的问题，提出一种基于PSO算法的改进BP检测算法—MLPSO-BP。MLPSO-BP结合了粒子群优化算法的全局寻优能力和反向传播算法的梯度下降等特点，将粒子群优化算法引入到神经网络的初始权值的优化中，利用动量项与LR方法，在加速BP算法收敛的同时，防止其保持本地最优。实验结果表明，利用改进后的算法构建的入侵检测算法的平均检出率较高，能够有效且可靠地为云计算环境提供入侵检测服务。
　　(4)针对粒子群优化算法可能的早熟问题，利用DE算法对BP算法进行改进，提出一种基于DE算法的改进BP检测算法。该算法首先使用DE算法优化BP算法的初始权值，随后采用BP算法微调网络权值。权值和偏置值在每一代中都进行更新，以最小化均方误差。实验结果表明，在合适的参数设置条件下，在优化BP神经网络的初始权值方面DE算法要优于PSO算法。
　　本文的研究是对云计算虚拟化中的不同网络模式下的入侵检测技术和方法的一次有益尝试，论文的研究工作和成果对于云计算虚拟化环境的安全具有一定的科学意义和研究价值。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．2 国内外研究现状

1．2．1 云计算技术中的虚拟化网络环境安全研究

1．2．2 云计算中虚拟化入侵检测策略研究

1．2．3 BP入侵检测模型与优化方法研究

1．3 主要研究内容

1．4 文章组织结构

第二章 云计算虚拟化与入侵检测相关技术综述

2．1 虚拟化技术介绍

2．1．1 虚拟化定义

2．1．2 当前主流虚拟化技术

2．2 虚拟化入侵检测技术介绍

2．2．1 入侵检测分类与检测步骤

2．2．2 入侵检测主要步骤

2．3 BP神经网络及其优化算法

2．3．1 BP神经网络

2．3．2 PSO算法

2．3．3 差分进化算法

2．4 云计算入侵检测分类总结

2．5 KVM虚拟化网络模型及检测策略

2．6 本章小结

第三章 基于PSO的改进BP入侵检测算法研究

3．1 引言

3．2 虚拟化入侵检测系统设计

3．3 基于PSO的改进BP检测算法

3．4 实验分析

3．4．1 实验数据与指标

3．4．2 实验参数设置

3．4．3 实验结果与分析

3．5 本章小结

第四章 基于DE算法的改进BP入侵检测算法

4．1 PSO与CLPSO分析

4．2 基于DE算法的BP检测算法

4．3 实验分析

4．3．1 实验数据与指标

4．3．2 实验参数设置

4．3．3 实验结果与分析

4．4 本章小结

第五章 总结与展望

5．1 论文总结

5．2 研究的不足与未来工作的展望

参考文献

致谢

攻读硕士学位期间发表的学术论文