基于网络流量异常检测的网络安全技术研究—群体智能算法优化的神经网络技术研究

摘要

随着计算机网络技术的发展和网络系统的膨胀，敏感数据正面临着被黑客攻击的威胁。入侵检测是企图入侵，正在进行的入侵或已经发生的入侵进行识别的过程，是一种主动的网络安全防御措施。入侵检测作为网络安全研究的重要内容，已经引起了国内外学者的广泛关注。目前入侵检测方法检测率较低，误报率和漏报率较高以及实时性较差等缺点，需要大量或完备的数据才能达到比较理想的检测性能。 本文分析了在新的网络环境中传统入侵检测方法面临的困境，并针对目前入侵检测中所存在的问题，提出了一种新的检测模型——基于群体智能算法的神经网络模型。 首先，本文阐述了入侵检测的概念，特点，分类，研究内容及传统入侵检测面临的困境；接着介绍了神经网络的基本原理和粒子群优化(ParticleSwarmOptimization，PSO)算法以及具有量子行为粒子群算法(Quantum-behavedParticleSwarmOptimization，QPSO)的基本思想，强调了QPSO在全局优化问题中比PSO算法具有更好的收敛性能。本文进一步阐述了神经网络的概念，特点，结构，并介绍了小波神经网络的算法，分类等。接着以小波神经网络(WNN)为对象，应用QPSO算法作为训练算法，给出了具体的操作过程。 接着，本文将QPSO优化的小波神经网络用于网络异常检测。为了测试性能，分别将遗传算法(GeneticAlgorithm，简称GA)，PSO算法以及QPSO算法分别训练小波神经网络，通过智能算法对操作变量的优化，在进行异常检测的过程中，尽量提高异常检测率，降低误判率。采用KDD99数据集进行的实验证明，基于QPSO的小波神经网络的网络入侵检测算法，有效的提高了检测率，同时具有较低的误判率。 最后，本文提出一种改进的QPSO算法，并将它用来优化小波模糊神经网络，建立的模型在KDD99数据集上进行实验证明，该模型是有效的。 本文的研究工作表明，用QPSO算法及改进的QPSO算法训练神经网络，其性能优于其他智能算法如：PSO算法和遗传算法，收敛速度也比PSO算法或GA算法快，这些结果表明，QPSO是一种高性能的神经网络训练算法，在用神经网络对网络异常检测中能发挥很好的作用。

目录

文摘

英文文摘

声明

第一章绪论

1.1选题背景及意义

1.2人工神经网络的研究概况

1.3智能优化算法的研究概况

1.4论文的主要研究工作

第二章入侵检测概述

2.1入侵检测的产生与发展

2.2入侵检测的基本概念

2.2.1入侵检测的概念

2.2.2入侵检测的结构

2.2.3入侵检测的作用

2.2.4入侵检测的必要性

2.3入侵检测系统的分类

2.3.1按照检测对象分类

2.3.2按照检测的技术或方法分类

2.4入侵检测系统存在的问题和发展方向

2.4.1入侵检测系统存在的问题

2.4.2入侵检测系统的发展方向

第三章粒子群优化算法

3.1粒子群优化算法的提出

3.2基本粒子群优化算法

3.2.1算法原理

3.2.2算法流程

3.2.3算法的社会行为分析

3.3几种改进的粒子群优化算法

3.3.1带有惯性因子的粒子群优化算法

3.3.2带有收缩因子的粒子群优化算法

3.3.3基于遗传思想改进的粒子群优化算法

3.3.4小生境粒子群优化算法

3.3.5其他的改进粒子群优化算法

3.4具有量子行为粒子群算法

3.4.1粒子群算法的缺点

3.4.2具有量子行为粒子群算法模型

3.4.3具有量子行为粒子群算法的优点

第四章 基于QPSO-WNN在异常检测中的应用

4.1小波神经网络简介

4.1.1小波分析简介

4.1.2小波神经网络的提出

4.1.3小波函数的选取

4.1.4小波神经网络面临的挑战

4.2遗传算法优化的小波神经网络模型

4.2.1遗传算法概述

4.2.2基于GA的小波神经网络的模型建立

4.3 QPSO优化的小波神经网络模型

4.4实验数据描述

4.4.1原始数据中网络连接信息预处理

4.4.2数据集描述

4.4.3实验数据预处理

4.5仿真实验

第五章 基于MQPSO-WFNN的网络异常检测问题的研究

5.1改进的QPSO算法

5.2小波模糊神经网络概述

5.2.1模糊神经网络简介

5.2.2小波模糊神经网络简介

5.3系统仿真实验

第六章总结与展望

6.1工作总结

6.2展望

致谢

参考文献

附录： 作者在攻读硕士学位期间发表的论文