基于QPSO優(yōu)化的BP網絡入侵檢測研究.pdf

1、隨著網絡技術的快速發(fā)展，在給人們共享資源帶來方便的同時，也引發(fā)了許多網絡安全問題。近年來，網絡入侵事件頻發(fā)，信息安全正面臨著巨大的威脅和挑戰(zhàn)。像防火墻、數(shù)據(jù)加密等一些被動的安全防御技術跟不上信網絡全發(fā)展的需要，入侵檢測技術是一種主動的信息安全防護手段，已經成為未來信息安全研究領域的重要課題。目前傳統(tǒng)的入侵檢測技術依然存在檢測方法單一、檢測精度不高等問題，因此嘗試將神經網絡、遺傳算法、人工免疫、粒子群優(yōu)化算法等智能技術引入到入侵檢測中，改

2、進的檢測方法取得了較好的效果，可以在一定程度上改善入侵檢測的準確率。
　　 本文分析了現(xiàn)有入侵檢測技術和模型的基本原理以及存在的不足，根據(jù)BP神經網絡的特點，發(fā)現(xiàn)BP網絡應用于入侵檢測是一種可行的方法?？梢猿浞掷蒙窠浘W絡技術自適應學習、分布并行和存儲等優(yōu)良特性，一定程度上可以克服傳統(tǒng)入侵檢測技術的不足。分析和比較粒子群和量子粒子群優(yōu)化算法依然存在陷入局部最優(yōu)的問題，提出一種改進的自適應變異量子粒子群優(yōu)化算法，在一定程度上提高了

3、算法的收斂性。針對傳統(tǒng)BP算法收斂速度慢、易陷入局部極小等不足，提出了多種策略的改進方法，并嘗試用改進的智能算法優(yōu)化BP網絡參數(shù)，進而提高BP神經網絡的學習效率。用改進的量子粒子群算法優(yōu)化BP神經網絡的權值和閾值，進而得到優(yōu)化的BP網絡模型。本文將改進的BP網絡模型應用于入侵檢測中，從標準入侵檢測數(shù)據(jù)集中抽取大量的學習和測試樣本，進行仿真模擬實驗。實驗結果表明，改進的BP算法收斂性有顯著的提升，有效地提高了入侵檢測效率，因此將改進的BP