欢迎来到天天文库
浏览记录
ID:35065487
大小:3.31 MB
页数:57页
时间:2019-03-17
《基于改进的ghsom入侵检测技术研究》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、基于改进的GHSOM入侵检测技术研究AnIntrusionDetectionMethodBasedonImprovedGrowingHierarchicalSelf-OrganizingMap领域:软件工程作者姓名:布文秀指导教师:张亚平副教授企业导师:李松高级工程师天津大学软件学院二零一五年十一月摘要随着计算机网络的广泛应用,网络入侵手段不断多样化,网络安全问题成为重点研究领域,传统的防火墙等技术手段已无法有效防御各类网络攻击的入侵,入侵检测技术方法已成为我们防御网络攻击保护网络安全的重要方法,其中基于神经网络的入侵检测技术是重要的发展方向。SOM(Self-OrganizingMa
2、p)和GHSOM(GrowingHierarchicalSelf-OrganizingMap)是两种主要的神经网络检测模型,对网络攻击具有预知检测、自组织和自学习的能力,但不管是GHSOM还是SOM都仅考虑了学习率及输入模式与邻域权值间的关系,忽略对输入模式中各分量在网络结构中的重要性作进一步的研究,忽略了输入模式分量与全体参与竞争的神经元权值间的相关关系,网络入侵检测准确率需要进一步提高。针对SOM与GHSOM在权值调整过程中所存在的局限性而导致网络攻击检测率低这一问题,本文引入互信息这一信息论中的算法,将其与GHSOM进行结合。利用互信息可以明确反映两个随机变量之间相互依存关系强弱
3、的这一特性,对输入模式各分量与输出层神经元之间进行互信息分析,综合分析输入模式分量与GHSOM神经网络整体间的相关关系,将互信息系数引入GHSOM训练过程中权值的调整这一核心步骤中,有效的增强输出层神经元自组织学习的能力,避免过多冗余信息的掺杂,较小程度的丢失信息,能够以较低的错误率检测到网络入侵行为。实验部分采用KDDCUP99数据集进行入侵检测实验,与互信息结合后的GHSOM算法对Probe、R2L和U2R这三种攻击的检测率都有不同程度的提高,尤其是对Probe和R2L两种攻击类型的检测率,将Probe检测率由原来的92.83%提高至95.93%,R2L由原来的87.56%提高至9
4、1.49%,验证了该方法的有效性。最后引入可视化技术对实验结果进行直观显示和进一步分析,说明与互信息结合后的GHSOM在攻击检测率方面有显著提高,在网络入侵检测方面具有很大的优势,具有较高的实际应用价值。关键词:神经网络,入侵检测,GHSOM,互信息,可视化技术AbstractWiththewideapplicationofcomputernetworks,themeansofnetworkintrusionarebecomingdiversity,networksecurityissuesbecomethefocusofresearchinthecomputerfield,tradi
5、tionaltechnicalmethodssuchasthefirewallhavenotdefenseallkindsofnetworkattack,intrusiondetectiontechnologyhasbecomeanimportantmethodtodefensenetworkattackandprotectthesafetyofnetwork,intrusiondetectionmethodbasedonneuralnetworkisimportantdirectionofintrusiondetectiontechnology。SOM(Self-Organizing
6、Map)andGHSOM(GrowingHierarchicalSelf-OrganizingMap)arethetwomajorneuralnetworkdetectionmodel,havetheabilityofdetectingnetworkattackspredictably,self-organizingandself-learning,butwhetherGHSOMorSOMareonlyconsideredthelearningrateandtherelationshipbetweentheinputmodewiththeweightofneighborhood,ign
7、oringtheimportanceofeachcomponentintheinputmodenetworkstructureforfurtherstudy,ignoringtherelationshipbetweenthecomponentofinputmodewiththeweightsofallthecompetingneurons,networkintrusiondetectionneedtoimprovetheaccuracyfurt
此文档下载收益归作者所有