基于SOFM的入侵检测技术研究

通过引入自组织特征映射神经网络,提出了一种智能化的入侵检测技术。仿真实验表明,该方法完全可以运用于入侵检测系统之中,并有助于提高入侵检测系统的性能和网络的安全性。     

基于Agent的分布式入侵检测系统

随着计算机技术和Internet的飞速发展,网络安全和信息安全问题日益突出,网络上各种攻击事件不断发生,相应地各种安全措施也越来越多。而入侵检测技术正受到人们越来越多的重视。本文针对当前入侵检测系统中存在的一般性缺陷,提出了一种基于移动代理的分布式入侵检测系统的模型,实现了基于该模型的分布式入侵检测系统。     

特定应用环境下的入侵检测架构

异常检测可以认为是通过对用户正常行为及系统正常应用环境的学习来识别异常的过程．由于系统及应用环境的复杂性,异常检测还难以达到很高的识别精度．为此,针对在物理上与Internet网完全隔离的计算机网络应用环境,亦即内网,提出基于mobile agent(MA)的多层次入侵检测架构,利用自组织映射网络方法,在不同层次的agent中建立二堆网格的自组织映射网络模型,分别检测目标系统不同层次上的异常现象．实验结果表明,在入侵者攻击的持续时间内,本系统通过多次采样的办法可以使检测率提高到满意的程度．     

ART2神经网络聚类的改进研究

为进行快速动态层次聚类,通过分析自适应谐振理论(adaptive resonance theory,ART)神经网络的快速学习、主观设置警戒参数、输出无层次结构等优缺点以及自组织特征映射(self-organizing feature map,SOFM)神经网络的侧反馈、不能动态聚类、输出无层次结构等优缺点的基础上,借鉴Hebb规则的思想,针对ART2神经网络的聚类算法进行了改进研究.通过结构描述、算法分析,该算法融合了ART2和SOFM的优点,克服其不足之处,以快速学习的方式形成可带有多层层次的动态聚类结构(不同的层次代表不同粒度的聚类),此外还降低了对警戒参数主观设置的要求,对于较粗粒度的聚类不再需要重新训练神经网络.并通过仿真实验证明该算法的有效性.     

几种神经网络在入侵检测系统中的应用综述

对入侵检测系统做了一个简要介绍,分析了神经网络应用于入侵检测系统的优越性,并对MLP网络、自组织映射网络、RBF神经网络三种常见的神经网络系统在入侵检测系统中的应用作了分析与比较。     

基于移动Agent的分布式入侵检测系统

介绍了几种常见的分布式入侵检测系统,针对目前入侵检测系统的不足,将新型分布式处理技术移动 Agent与入侵检测融为一体,提出了一种基于移动代理的分布式入侵检测系统(DIDS)的模型．系统采用层次 结构的探测和响应机制,各Agent相互独立,同时能在网络中自由移动、相互协作,以检测分布式攻击,并具 有良好的灵活性、健壮性和可扩展性．     

基于Mobile Agent数据挖掘技术的入侵检测系统

在分析当前入侵检测系统的基础上,提出了基于Mob ile Agent数据挖掘技术的入侵检测系统。该系统通过Mob ile Agent收集入侵检测所需要的数据,并通过数据挖掘产生不同的知识库,在入侵检测系统中建立了一套及时、完整和准确的数据收集机制。     

基于优化RBF神经网络入侵检测研究

本文描述了在入侵检测方面的发展方向，讨论了熵聚类的可行性和具体算法，并将熵聚类与RBF神经网络相结合，提出了改进的ERBF模型，在实验中采用通用数据集KDD CUP验证了模型的实际工作情况，取得了预期的效果，实现了检测目的。     

神经网络在基于Mobile Agent的电子商务中的应用

基于Mobile Agent的电子商务模型广泛应用在供应链管理、商务谈判、电子交易与拍卖等领域,在分析BP神经网络算法及其结构的基础上,对其在基于移动代理的电子商务系统中路由选择、预测决策、交易协商、系统安全保护等方面的应用进行了研究和探讨。     

基于粗糙集和自组织神经网络的聚类方法

自组织神经网络在学习过程中采取竞争机制选取最优匹配神经元获胜，然而实际情况可能有一组神经元都非常匹配输入向量。引入粗糙集的上近似与下近似理论，选择一组最匹配神经元获胜。实验证明基于粗糙集和自组织神经网络的聚类算法，较之传统的自组织神经网络聚类算法聚类结果更平均，死神经元更少，是一种良好的聚类算法。     

基于BP和SOM神经网络相结合的地震预测研究

地震预测由于其产生原因的复杂性,一直是世界公认的难题.本文提出一种将多层前馈神经网络(BP网络)和自组织特征映射神经网络(SOM网络)相结合的方法并应用到地震震级的预测中,首先利用自组织特征映射神经网络对地震的原始数据进行聚类预处理,使具有内在规律的样本点集中在一起,之后利用BP神经网络对样本数据进行学习和预测,结果表明,相比直接利用BP神经网络预测结果,增加SOM聚类处理过程能有效的减小预测误差.说明此方法可以有效的汇总出与地震关系密切的因素,也表明SOM对相关震级参数分类的有效性,对利用模糊预测方法来实现震级的预测是一种有效的辅助手段.     

基于自组织特征映射神经网络的短期负荷预测

提出了一种基于自组织特征映射神经网络(Kohmonen网络)的短期负荷预测方法，根据Kohonen网络的聚类特性，样本在输入时就已分好类。输入既有与负荷曲线平滑性有关的数据又有反映负荷周期性变化的数据。在学习训练时，区别于普通的无监督竞争学习采用有监督竞争学习方式，缩短了学习时间，提高了学习精度。实例分析征明了该方法的有效性。     

基于神经网络的模拟电路故障诊断

探讨了基于故障字典法和基于神经网络的故障诊断方法,利用自组织特征映射神经网络进行模拟电路故障诊断,根据神经网络的输出结果可以判断发生故障的类型.自组织特征映射神经网络聚类能力强、速度快,因此很适合复杂系统的故障诊断.     

基于神经网络的道路季节分类

为了合理确定路面结构设计时的输入参数,引入自组织特征映射神经网络,结合Matlab软件对神经网络进行权值训练,将网络训练是否收敛来作为分类的依据,根据温度、交通量和降雨量等几个重要参数对道路进行季节分类,最后按照分类结果进行路面结构分析与材料设计.实践证明,该方法分类效果良好,能很好地解决路面设计参数的合理确定问题,从而大大延长路面的使用寿命,提高道路投资的经济效益.     

基于自组织特征映射神经网络的聚类分析的应用

介绍了自组织特征映射神经网络结构和算法,并将此神经网络用于葡萄酒化学成分产地的聚类分析,实验结果表明：该网络的聚类准确率达到了87％,具有一定的科学性和适用性。     

一种基于成长型神经网络的曲面重建快速算法

文章使用成长型神经网络来实现曲面的快速重建,在重建过程中采用线性组合的方式分裂节点;使用一种简化的方法计算节点的Voronoi区域面积,以用来分配新增节点的计数器值;最后对生成的曲面进一步综合优化。实验结果表明,使用该算法能够快速获得形状良好的曲面。     

基于SOFM网络的改进K-均值聚类算法

针对传统的K-均值聚类算法中随机选取初始聚类中心的缺陷,提出一种改进的K-均值聚类算法,利用自组织特征映射网络(SOFM)自动获得初始聚类中心.实验结果表明,改进的K-均值聚类算法能有效改善聚类性能,提高聚类的准确率.     

自组织特征映射神经网络及其在地层压力剖面聚类中的应用

文章分析了Ｋｏｈｏｎｅｎ的自组织特征映射神经网络的基本特征,讨论了实际应用的技术问题,并给出了算法。将该方法应用于川东地区地层压力剖面分类,结果令人满意。     

基于BP神经网络入侵检测系统

本文是采用改进BP神经网络的拟牛顿算法,并利用matlab提供的神经网络工具箱构建BP神经网络入侵检测系统。此算法的优越性在于收敛速度比较快,特别对于较高维数的问题。测试后证明所构建的系统是可行的,能够检测到新的入侵行为。     

Mobile Agent技术在企业网络安全防范中的应用——基于Mobile Agent的入侵检测系统研究

企业局域网建设是企业信息化进程中的核心要素,当前企业局域网普遍遭遇日益专业和复杂的网络安全问题,单单依靠防火墙技术已不能完全保障企业局域网安全,基于Mobile Agent的入侵检测系统的安全方案是针对当今网络安全状况和企业网络安全的重要尝试。