基于改進(jìn)PSO的RBF神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)方法研究.pdf

1、隨著Internet和lcomputer的迅速發(fā)展，網(wǎng)絡(luò)的應(yīng)用也隨之增多，但是系統(tǒng)和網(wǎng)絡(luò)信息遭到入侵攻擊的威脅也越來越嚴(yán)重，再加上當(dāng)今攻擊者的知識(shí)日趨成熟、黑客技術(shù)水平的不斷提高以及攻擊者所采用的手段也日趨多樣化、復(fù)雜化，致使傳統(tǒng)的安全技術(shù)方法已經(jīng)無法跟上網(wǎng)絡(luò)安全需要的步伐，從而使網(wǎng)絡(luò)信息和系統(tǒng)的安全問題變得越來越嚴(yán)重。
　　 入侵檢測(cè)系統(tǒng)逐漸演變成一種主動(dòng)的網(wǎng)絡(luò)安全防衛(wèi)技術(shù)之一，它有效地彌補(bǔ)了傳統(tǒng)安全技術(shù)的不足。特別是在近幾年

2、，IDS(Intrusion-Detection System，簡(jiǎn)稱，IDS)的研究取得了較大的進(jìn)展。但在網(wǎng)絡(luò)攻擊方式不斷更新變化的情況下，傳統(tǒng)的通過特征比對(duì)檢測(cè)入侵行為的缺點(diǎn)逐漸暴露出來，尤其是在面對(duì)未知攻擊形式、攻擊類型日趨復(fù)雜多變以及網(wǎng)絡(luò)的結(jié)構(gòu)也不斷更新升級(jí)時(shí)，其既不能自適應(yīng)以上環(huán)境的變化，也不能對(duì)其性能進(jìn)行擴(kuò)展，而具有自學(xué)習(xí)、自適應(yīng)以及聯(lián)想記憶等性能的人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，簡(jiǎn)稱，ANN

3、)可以很好地解決以上問題。
　　 近年來，RBF神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network，簡(jiǎn)稱，RBFNN)一直是相關(guān)專家學(xué)者重點(diǎn)研究的一種人工神經(jīng)網(wǎng)絡(luò)，并且它在很多領(lǐng)域，諸如系統(tǒng)辨識(shí)、分類、信號(hào)處理和函數(shù)逼近等方面得到了成功應(yīng)用。但是在對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)計(jì)的時(shí)候，RBFNN有三個(gè)非常重要的參數(shù)(權(quán)值w，中心c和基寬σ)，如果它們的初值選取的不恰當(dāng)，那么就容易造成RBF神經(jīng)網(wǎng)絡(luò)陷入局

4、部最優(yōu)、收斂慢、精度低等問題，而具有較強(qiáng)的全局優(yōu)化性能的粒子群優(yōu)化(Particle Swarm Optimization，簡(jiǎn)稱，PSO)算法可以很好的解決這些問題。為了進(jìn)一步提高RBF神經(jīng)網(wǎng)絡(luò)的性能和入侵檢測(cè)系統(tǒng)的檢測(cè)率，本文研究的主要內(nèi)容如下：
　　 1.提出一種多策略改進(jìn)PSO算法(IPSO)，該算法是在PSO算法的基礎(chǔ)上，首先采用自適應(yīng)策略對(duì)慣性權(quán)重進(jìn)行調(diào)整，解決PSO算法對(duì)非線性問題優(yōu)化能力低這一問題；其次根據(jù)群體適應(yīng)

5、度方差來判斷PSO算法是否出現(xiàn)“早熟收斂”現(xiàn)象；最后再引入變異算子，若發(fā)生“早熟收斂”則對(duì)群體粒子的最優(yōu)解做極值擾動(dòng)。并通過仿真實(shí)驗(yàn)驗(yàn)證IPSO算法的性能。
　　 2.為進(jìn)一步提高RBFNN學(xué)習(xí)算法的收斂速度和精度，提出一種基于IPSO的RBF神經(jīng)網(wǎng)絡(luò)算法，該算法在用減聚類算法確定RBFNN隱含層節(jié)點(diǎn)個(gè)數(shù)的基礎(chǔ)上，把IPSO算法和梯度下降法相結(jié)合對(duì)RBFNN的參數(shù)分別進(jìn)行全局優(yōu)化和局部?jī)?yōu)化。并通過對(duì)Hermit多項(xiàng)式進(jìn)行仿真實(shí)驗(yàn)