基于遺傳算法及神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型研究.pdf

1、隨著當(dāng)前對(duì)互聯(lián)網(wǎng)的依賴持續(xù)增大，對(duì)于安全可靠網(wǎng)絡(luò)環(huán)境的需求也隨之增加。本文介紹了通過一種改進(jìn)的遺傳算法以及基于開關(guān)的神經(jīng)網(wǎng)絡(luò)模型，以構(gòu)建一個(gè)有效的應(yīng)對(duì)檢測(cè)網(wǎng)絡(luò)攻擊的入侵檢測(cè)系統(tǒng)(IDS)的方法。目前，在入侵檢測(cè)領(lǐng)域許多科技人員進(jìn)行了相關(guān)研究工作，多數(shù)研究與數(shù)據(jù)挖掘相關(guān)。其中主要的幾種方式有:基于自組織映射(SOM)、支持向量機(jī)(SVM)、蟻群算法(ACO)，以及遺傳算法(GA)對(duì)網(wǎng)絡(luò)流量進(jìn)行分類以識(shí)別攻擊等。
　　 利用遺傳算法

2、訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以用于入侵檢測(cè)，已經(jīng)取得了許多研究成果。增強(qiáng)遺傳算法就是其中之一，其優(yōu)點(diǎn)是該方法比大多數(shù)傳統(tǒng)遺傳算法在更短的時(shí)間內(nèi)取得了更好的結(jié)果，并且該算法是特別針對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練測(cè)試而設(shè)計(jì)的。但其仍有可以繼續(xù)改進(jìn)之處，例如:用戶定義參數(shù)，靜態(tài)接受概率和浪費(fèi)的交叉后代等問題。改進(jìn)上述問題可以有效減少人工干預(yù)，從而降低人為錯(cuò)誤的可能性，同時(shí)也可以減少神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間。
　　 本文針對(duì)多種算法雖然可以調(diào)試神經(jīng)網(wǎng)絡(luò)的權(quán)重，但幾乎不

3、能調(diào)節(jié)網(wǎng)絡(luò)規(guī)模與架構(gòu)的問題。在增強(qiáng)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，通過基于開關(guān)的方式，使遺傳算法可以調(diào)節(jié)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，從而進(jìn)一步拓展了這種方法的應(yīng)用。將開關(guān)放置在聯(lián)接上和隱節(jié)點(diǎn)上，解決了隱節(jié)點(diǎn)數(shù)量仍要求用戶提前設(shè)定的問題。
　　 在增強(qiáng)遺傳算法和神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上，本文提出了一種新的改進(jìn)型遺傳算法和改進(jìn)型神經(jīng)網(wǎng)絡(luò)模型，在如下幾個(gè)方面對(duì)增強(qiáng)遺傳算法及增強(qiáng)神經(jīng)網(wǎng)絡(luò)提出了改進(jìn)。該算法不僅可以設(shè)置應(yīng)用于入侵檢測(cè)的神經(jīng)網(wǎng)絡(luò)的聯(lián)接權(quán)值，還可以設(shè)置網(wǎng)絡(luò)的規(guī)

4、模與結(jié)構(gòu);將開關(guān)同時(shí)放置在聯(lián)接和隱節(jié)點(diǎn)上;改進(jìn)了適應(yīng)度函數(shù)，將網(wǎng)絡(luò)的規(guī)模參數(shù)包含迸適應(yīng)度函數(shù)里面，進(jìn)而生成更加簡(jiǎn)潔的神經(jīng)網(wǎng)絡(luò)。
　　 本文用常見的測(cè)試函數(shù)，對(duì)比測(cè)試了新提出的改進(jìn)遺傳算法以及傳統(tǒng)的遺傳算法和其它的修改版遺傳算法，并使用C++編寫了相關(guān)代碼仿真程序。仿真測(cè)試結(jié)果顯示，其可在更短時(shí)間內(nèi)得到更好的結(jié)果。同時(shí)對(duì)人為干預(yù)的需要也有效減少。該IDS通過入侵檢測(cè)的標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)集來(lái)測(cè)試（DARPA98KDD99集），結(jié)果顯示其性