基于进化神经网络的入侵检测模型研究

摘要

目前多数入侵检测系统存在检测率较低、误报率较高，整体性能较低的问题。针对上述问题，探讨了入侵检测系统、神经网络、遗传算法的基本概念及国内外研究现状；在深入分析相关理论、技术和方法的基础上，基于智能互补的观点，提出了改进的进化神经网络算法，并将其应用于入侵检测系统，以提高该系统检测的整体性能。
　　 本研究改进的进化神经网络算法的核心是利用改进的自适应遗传算法来训练BP神经网络，具体使用一种改进的交叉概率和变异概率，并在交叉操作后引入模拟退火机制，以提高算法的收敛速度和局部搜索能力。将该算法应用于入侵检测，建立了一个基于进化神经网络的入侵检测模型。为验证该模型，构建了MATLAB仿真实验平台；采用预处理过的KDD'99数据源，分别运用BP算法、简单遗传算法以及改进的自适应遗传算法训练BP神经网络；将训练好的网络应用到该模型中并进行入侵检测仿真实验。实验结果表明，将改进的自适应遗传算法训练的神经网络应用于异常入侵检测，可达到检测率0.9876和误报率0.0115的效果，性能优于其它两种算法训练的神经网络。将进化神经网络应用于入侵检测系统，能够解决传统入侵检测系统检测率低、误报率高的问题，并有效提高检测的准确率和系统性能。