基于遺傳算法及神經網絡的入侵檢測模型研究.pdf

1、隨著當前對互聯網的依賴持續(xù)增大，對于安全可靠網絡環(huán)境的需求也隨之增加。本文介紹了通過一種改進的遺傳算法以及基于開關的神經網絡模型，以構建一個有效的應對檢測網絡攻擊的入侵檢測系統(tǒng)(IDS)的方法。目前，在入侵檢測領域許多科技人員進行了相關研究工作，多數研究與數據挖掘相關。其中主要的幾種方式有:基于自組織映射(SOM)、支持向量機(SVM)、蟻群算法(ACO)，以及遺傳算法(GA)對網絡流量進行分類以識別攻擊等。
　　 利用遺傳算法

2、訓練神經網絡，以用于入侵檢測，已經取得了許多研究成果。增強遺傳算法就是其中之一，其優(yōu)點是該方法比大多數傳統(tǒng)遺傳算法在更短的時間內取得了更好的結果，并且該算法是特別針對神經網絡參數訓練測試而設計的。但其仍有可以繼續(xù)改進之處，例如:用戶定義參數，靜態(tài)接受概率和浪費的交叉后代等問題。改進上述問題可以有效減少人工干預，從而降低人為錯誤的可能性，同時也可以減少神經網絡的訓練時間。
　　 本文針對多種算法雖然可以調試神經網絡的權重，但幾乎不

3、能調節(jié)網絡規(guī)模與架構的問題。在增強神經網絡基礎上，通過基于開關的方式，使遺傳算法可以調節(jié)網絡的拓撲結構，從而進一步拓展了這種方法的應用。將開關放置在聯接上和隱節(jié)點上，解決了隱節(jié)點數量仍要求用戶提前設定的問題。
　　 在增強遺傳算法和神經網絡模型基礎上，本文提出了一種新的改進型遺傳算法和改進型神經網絡模型，在如下幾個方面對增強遺傳算法及增強神經網絡提出了改進。該算法不僅可以設置應用于入侵檢測的神經網絡的聯接權值，還可以設置網絡的規(guī)

4、模與結構;將開關同時放置在聯接和隱節(jié)點上;改進了適應度函數，將網絡的規(guī)模參數包含迸適應度函數里面，進而生成更加簡潔的神經網絡。
　　 本文用常見的測試函數，對比測試了新提出的改進遺傳算法以及傳統(tǒng)的遺傳算法和其它的修改版遺傳算法，并使用C++編寫了相關代碼仿真程序。仿真測試結果顯示，其可在更短時間內得到更好的結果。同時對人為干預的需要也有效減少。該IDS通過入侵檢測的標準測試數據集來測試（DARPA98KDD99集），結果顯示其性