基于云计算平台的网络入侵检测算法研究与实现

《基于云计算平台的网络入侵检测算法研究与实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于云计算平台的网络入侵检测算法研究与实现　　摘要：利用并行化思想，在现有入侵检测算法GA遗传算法和BP神经算法的基础上，提出基于云计算平台的网络入侵检测算法MRGA?BP均值法算法，并对算法原理进行描述、建立、设计，系统能够针对海量入侵的检测数据进行实时学习和检测，对比传统入侵检测系统，在效率和精度上有了较大提高，通过两组对比实验，证明了该优化算法MRGA?BP均值法算法在入侵检测系统中的可行性以及性能优势。　　关键词：云计算；入侵检测系统；MRGA?BP均值法；Hadoop　　中图分类号：TN915.08?34；TM417文献标识码：A文章编号：

2、1004?373X（2016）19?0076?04　　Abstract：Onthebasisofparalellthought，geneticalgorithm（GA）andBPalgorithmforintrusiondetection，ameanvaluealgorithmofnetworkintrusiondetectionalgorithm（MRGA?BP）basedoncloudcomputingplatformisproposed.Theprincipleofthealgorithmisdescribed，establishedandde

3、signed.Thesystemcanlearnanddetectthemassiveintrusiondetectiondatainrealtime.Incomparisonwiththetraditionalintrusiondetectionsystem，theefficiencyandaccuracyofthesystemhavebeenimprovedalot.ThefeasibilityandperformanceadvantageofMRGA?BPmeanvaluealgorithminintrusiondetectionsystemw

4、ereverifiedinthe10experimentofcontrastbetweenthetwogroups.　　Keywords：cloudcomputing；intrusiondetectionsystem；MRGA?BPmeanvaluealgorithm；Hadoop　　0引言　　传统的入侵检测系统已经远远不能满足当今海量数据的要求，在检测精度、效率、准确率等方面都存在局限和瓶颈。未来入侵检测的发展应该在较短的时间内，有更高效的检测效率和在效率提升的基础上增加服务的质量[1]。　　利用云环境下的节点进行入侵检测事件的采集，然后将采集的数

5、据源上传到云端进行入侵检测分析，这样可以大大地提高处理事件的效率并及时作出预警[2]。如果能将传统的入侵检测算法例如BP神经算法，采纳并行化思想，将它布置到云环境中，进行分布式处理数据源，并且进行分布式入侵检测，那么上述的难题就可以解决，不仅扩大了云计算在当代的应用领域，也能让传统的入侵检测算法性能提升到另一个高度，也能够让入侵检测的发展上升一个台阶[3]。　　1网络入侵检测算法建立　　1.1MRGA?BP算法的网络拓扑结构　　BP神经网络是由网络层数、节点个数、激活函数、初始权值系数、学习算法、系统误差确定的，确定这些需要遵循如下原则：　　（1）隐

6、含层数的选择。根据先前的经验，优先考虑3层BP神经网络，分别为一个输出层，一个输入层，一个隐含层[4]。10　　（2）每层节点数的确定。隐含层和很多因素有关，例如样本数据的特点和转换函数的形式、输入与输出节点数都有关系。　　（3）初始权值系数的确定。初始权值是在一定范畴的数随机生成的，一般情况下，初始权值分布在0～1之间。本文利用random随机生成。　　（4）算法的确定。　　（5）结束条件。种群个体数量的确定：当种群个体数量较少时，尽管可能使GA算法的运算速度有所提升，然而种群个体的多样性会降低很多；当种群数量较多时，算法的运行效率又会降低，按照前

7、人研究，一般取20～500个；编码方式：实数编码；适应度函数：使用BP神经算法求出每一个样本，运行后的一切样本的误差平方和的倒数设定为适应度函数；选择算子：赌盘法；交叉算子：实数编码；变异算子：本文取值为0.05。　　系统是应用遗传算法进行BP神经网络权值的优化，所以只控制其进化的次数，当进化次数达到最大时终止[5]。　　1.2并行化思想　　在处理海量数据时，如果使用传统的思想进行数据串行的处理，在处理时间和效率上都会耗费很多时间，所以要先将数据模块化，然后将这些数据模块分给各个机器进行并行处理，他们之间处理的过程没有关联，所以在处理效率上会有很大提

8、高。每个计算节点都有一个完整的网络，且网络的初始状态是一样的。并行化体现在进行训练时，每个节点都是取一部分样