基于免疫記憶的RBF群在入侵檢測中的應用.pdf

1、現(xiàn)代大型網(wǎng)絡的結(jié)構(gòu)日趨復雜，規(guī)?？焖僭鲩L。利用傳統(tǒng)的基于模糊推理或規(guī)則匹配的專家系統(tǒng)對其進行入侵檢測已不能滿足系統(tǒng)的實時性和準確度要求。需要研究新的智能檢測技術(shù)，其中神經(jīng)網(wǎng)絡方法和人工免疫方法是研究的熱點。神經(jīng)網(wǎng)絡具有優(yōu)良的非線性逼近特性，學習和歸納能力，但是神經(jīng)網(wǎng)絡存儲信息容量有限，學習速度慢，容易陷入局部極小等缺點。人工免疫方法具有全局收斂，聯(lián)想記憶，自組織，自學習和動態(tài)調(diào)解等優(yōu)良特性，因此將人工神經(jīng)網(wǎng)絡與人工免疫技術(shù)結(jié)合成為入侵檢

2、測技術(shù)的新的研究方向。 但目前的研究主要是用免疫算法訓練神經(jīng)網(wǎng)絡，優(yōu)化網(wǎng)絡參數(shù)，結(jié)合的程度不夠高，導致人工免疫系統(tǒng)中學多優(yōu)良的特性如聯(lián)想記憶、自組織、自學習和動態(tài)調(diào)解等特性無法應用到神經(jīng)網(wǎng)絡當中。如何將人工神經(jīng)網(wǎng)絡與人工免疫技術(shù)的結(jié)合，發(fā)揮各自的優(yōu)勢，提高入侵檢測的效率，成為本文探索研究的主要內(nèi)容。本論文的主要研究工作如下： 1．將免疫記憶機制引入到神經(jīng)網(wǎng)絡方法當中，其主要思想是：先通過聚類將待學習數(shù)據(jù)劃分為若干個類，然

3、后對每個類用一個小的神經(jīng)網(wǎng)絡來學習，這樣整體上形成了一個具有很多小神經(jīng)網(wǎng)絡的網(wǎng)絡群，每個小的網(wǎng)絡相當與一個免疫細胞。這個過程相當于免疫記憶中的一次應答。將訓練好的網(wǎng)絡群用于檢測的過程相當于免疫機制中的二次應答。如果有新的數(shù)據(jù)類，可增加一個新的神經(jīng)網(wǎng)絡來學習新數(shù)據(jù)。小的神經(jīng)網(wǎng)絡可以動態(tài)增加，這樣就解決了神經(jīng)網(wǎng)絡應用中網(wǎng)絡容量的限制，同時由于網(wǎng)絡規(guī)模的減小，也提高了網(wǎng)絡的學習速度。 2．將免疫網(wǎng)絡機制與在線核聚類方法相結(jié)合，提出了基

4、于免疫網(wǎng)絡的在線核聚類算法，該算法解決了一些聚類算法中出現(xiàn)的聚類中心漂移，及類間邊界模糊和類間數(shù)據(jù)密度分布不均勻無法聚類的問題。同時由于采用在線聚類算法，在聚類時間上明顯快于自適應半徑的免疫網(wǎng)絡聚類算法，在人工數(shù)據(jù)集和IRIS數(shù)據(jù)集上得到了仿真驗證。并將該算法作為入侵檢測系統(tǒng)中劃分RBF網(wǎng)絡的核心算法。 3．構(gòu)建了一種基于免疫記憶的RBF群的入侵檢測系統(tǒng)，給出了基本的設(shè)計思想和算法，及學習數(shù)據(jù)的預處理方法。最后在KDDCUP99