基于量子神經(jīng)網(wǎng)絡的入侵檢測技術研究.pdf

1、隨著網(wǎng)絡的應用越來越廣泛，網(wǎng)絡的入侵手段也越來越多，從而嚴重威脅了網(wǎng)絡的安全。只從靜態(tài)防御的角度(如訪問控制、防火墻、數(shù)據(jù)加密等)構造安全系統(tǒng)很難檢測復雜的入侵行為。而入侵檢測作為一種動態(tài)安全防御技術不但可以有效的檢測內部用戶的非授權訪問，且對外部網(wǎng)絡攻擊也有較高的檢測效率。
　　神經(jīng)網(wǎng)絡技術在入侵檢測中應用較為廣泛，其中最具有代表性的是反饋型(BackPropagation，簡稱BP)神經(jīng)網(wǎng)絡，但其本身所具有收斂速度慢、易陷于局

2、部極小等性質限制了檢測性能的提高。為解決傳統(tǒng)入侵檢測模型所存在的檢測效率低，對未知的入侵行為檢測困難等問題，本文利用基于多層激勵函數(shù)的量子神經(jīng)網(wǎng)絡進行入侵檢測：首先在神經(jīng)網(wǎng)絡的權值調整上，采用適應多個隱層激勵函數(shù)的調整算法，相對于傳統(tǒng)的權值調整，該方法可以使輸入數(shù)據(jù)對應到不同的類空間中，然后對隱層量子神經(jīng)元的量子間隔進行調整，使其體現(xiàn)出數(shù)據(jù)的不確定性。這些措施使量子神經(jīng)網(wǎng)絡能表示更多的狀態(tài)或量級，從而增加隱層神經(jīng)元的處理速度和檢測效率。

3、然后在此基礎上，又提出了一種解決前饋型神經(jīng)網(wǎng)絡易陷于局部極小的有效方案并實現(xiàn)了相關算法設計。
　　本文設計了基于量子神經(jīng)網(wǎng)絡的入侵檢測模型，并詳細設計了數(shù)據(jù)采集模塊和檢測引擎模塊。最后本文將KDD1999數(shù)據(jù)集應用到量子神經(jīng)網(wǎng)絡中，在仿真實驗前對入侵數(shù)據(jù)進行了處理：首先把非字符數(shù)據(jù)轉換成字符數(shù)據(jù)，其次簡約和歸一化。然后把處理后的KDD1999數(shù)據(jù)的屬性集作為量子神經(jīng)網(wǎng)絡的輸入，輸出則定義為是入侵的種類。實驗結果表明：量子神經(jīng)網(wǎng)絡較