改进的BP神经网络在 入侵检测系统中的应用及研究.docxVIP

改进的BP神经网络在入侵检测系统中的应用及研究姓名：孙琨秋班级：201319学号：2013539 专业：应用数学 改进的BP神经网络在入侵检测系统中的应用及研究摘要:本文主要讲了入侵检测系统和BP算法，分析了BP算法的优缺点，并提出了一种改进BP算法。改进的算法在一定程度上解决了一些问题，然后对以后的工作进行了展望。Abstract: This article mainly talked about the intrusion detection system and the BP algorithm, then analyzed the advantages and disadvantages of the BP algorithm, and proposed an improved BP algorithm. To a certain extent the improved BP algorithm solved some problems, and then made an outlook on the following works. 关键字:BP神经网络，入侵检测系统，BP算法1、引言以计算机通信技术为代表的现代电子信息科技正以日新月异的势头稳步发展，使人们的日常生活及工作环境与计算机网络和信息系统的关系也越来越密切，但是在如此繁荣的表象下，却隐藏着不少令人担忧的隐患：黑客攻击、网络体系自身的漏洞以及后门因素影响下的计算机网络安全问题亟待解决。当前网络安全防护技术有访问控制，数据加密，防病毒，防火墙，入侵检测技术等。入侵检测的方法有很多,但检测率低，误报率高是目前入侵检测系统普遍存在的问题,而攻击方式的不断更新对入侵检测系统的灵活性，智能性提出了更高的要求。基于BP神经网络的入侵检测系统引入使得与人工智能结合更为紧密，更能识别、检测出各类入侵行为[1]。但是BP算法本身具有训练时间长且易收敛到局部最小的缺点，目前对BP算法改进的研究应用很多，产生了许多优秀的BP改进算法。本文分析了当前的入侵检测系统及神经网络技术，分析了BP算法，提出了一个神经网络入侵检测模型 NNIDM（Neural Network Intrusion Detection Model），又研究了模型的实现，并提出了一种改进训练算法，最后我们对模型的核心组成部分进行了分析、设计和实现，并进行了相关实验。该模型的实现提高了入侵检测的准确性和检测模型的整体性能，在一定程度上解决了入侵检测系统中误报率和漏报率较高的根本性问题。基于BP神经网络的入侵检测系统2.1系统简介BP神经网络是一种多层前向型、采用误差反向传播学习算法的神经网络[2]。该网络包括输入层、隐含层和输出层，相邻层神经元之间采用全连接方式，同一层之间没有任何连接。由于同层节点间无任何耦合，每一层的神经元只接受前一层神经元的输入，每一层神经元的输出只影响下一层神经元的输出[3]。网络中每一层的权值，通过学习来调整，输入到输出是一种非线性映射关系。该神经网络系统的检测数据源来自网络中传输的数据包，通过神经网络相应协运算后，具有入侵特征的数据将被写入神经网络模块，该模块再经数据的预处理将数据变为可识别的输入向量，最后根据此输入向量进行智能的计算、分析、识别，最后断定是否为入侵行为，若为入侵行为，还会将此行为写入报警模块与日志模块留待后续使用。2.2基于 BP神经网络入侵检测系统的应用实现以及缺陷分析基于 BP 神经网络的入侵检测系统的算法实现步骤如下：步骤 1：程序初始化，设置权值和阈值。步骤 2 ：判断神经网络是处于学习阶段还是检测阶段，如果是学习阶段则转到步骤 3，否则转到步骤 8。步骤 3：读取用户输入的网络参数。步骤 4 ：依次读取训练样本，并用公式逐层计算网络输出，然后计算输出层和隐含层训练误差，计算样本总误差。步骤 5：判断样本总误差后一次迭代结果是否大于前一次迭代结果，如果是，则减小学习步长并转到步骤 4，否则转到步骤 6。步骤6 ：增大学习步长，修改权值和阈值，自适应调整误差。步骤 7：判断误差是否满足要求，如果满足，则将权值和阈值保存为文本，网络学习阶段结束，否则转到步骤 4。步骤 8：读取检测输入的网络参数，读取权值和阈值文件，然后构造神经网络并读取检测数据。步骤 9：计算网络输出，并将输出值保存为文本文件。步骤 10 ：检查是否还有检测数据，若还有，则读取下一个数据，并转到步骤 9，若没有检测数据，则检测结束。根据上述对BP神经网络系统的入侵检测实施步骤的分析，不难发现该系统在针对误差进行的反向传播计算权值与阈值修改过程使用的方式为梯度下降，这种方式的缺点在于学习过程中较易产生如下问题：（1）激活函数的过程存在过饱和区间，在该区间内的误差曲面过于平坦，因此梯度较小，在这种情