改进BP算法在入侵检测技术中的应用

针对传统BP算法收敛速度慢且容易陷入局部极小的缺点,提出了一种基于Cauchy鲁棒误差估计标准方法的改进BP算法.传统BP算法之所以收敛速度慢及容易陷入局部极小,主要原因在于采用的误差估计标准过度重视了样本的异常值,而Cauchy鲁棒统计误差估计能够减少样本异常值的影响,在一定程度上摆脱对初始权值和阈值的依赖性,进而提高算法训练样本的速度和入侵检测的精度.将改进后的BP算法用于入侵检测中以解决入侵检测系统要求较高的实时性难题.仿真实验取得了较好的效果.     

基于改进蚁群算法的神经网络入侵检测方法研究

提出一种改进的蚁群算法并与传统的BP神经网络相结合用于入侵检测,它既克服了BP传统神经网络的权值确定难度较大、收敛速度慢易陷入局部最小等缺陷,也通过BP神经网络的梯度信息弥补了单独使用蚁群算法所面临的不足.仿真实验结果表明,与传统方法相比,本方法步骤简化,速度及测试精度明显提高.     

基于入侵检测的BP网络算法

阐述了入侵检测技术的发展与现状,对目前所采用的入侵检测技术及其特点进行了分析比较,探讨了将神经网络应用于网络入侵检测的可行性.结合网络入侵和主机入侵方面的检测能力,构建了基于智能体的分布式入侵检测系统的体系结构模型.重点讨论了神经网络入侵检测算法,提出了较优的变速度回归神经网络检测算法.     

BP神经网络智能入侵检测系统设计

为了解决传统静态安全技术缺乏对入侵进行主动检测的机制,而且在使用过程中需要人工实施和维护,难以满足当前网络安全要求的问题;一种针对误差信号函数和学习规则进行改进的BP算法在分析标准BP算法存在的问题和其原因的基础上被提出;采用该改进算法构建了一种结合误用检测和异常检测技术的基于BP神经网络的智能入侵检测系统模型;仿真实验结果表明与标准BP算法相比,该改进算法具有学习过程快的优点,并且该系统具有较高的检测正确率并能检测出新的未知的攻击模式。     

基于改进的LM-BP网络的入侵检测系统

针对传统BP网络收敛速度慢、易陷入局部最小点、计算量大的缺点,本文提出一种改进的结合Levenberg-Marquardt优化算法的BP神经网络,并在此基础上建立一个结合了异常检测和误用检测两者优势的入侵检测系统模型。     

基于BP网络的入侵检测模型研究与实现

入侵检测是一种积极主动的安全防护技术。入侵检测系统可分为基于主机的和基于网络的两种。和防火墙等其它安全产品相比,他们还存在很多缺陷。人工神经网络通过对大量训练样本的学习,可以获得正常和异常数据的分类知识,从而能够对入侵的异常数据进行识别。为此给出了基于BP网络的入侵检测系统,从试验数据发现,该系统不仅在测试阶段的检全率和误检率达到了令人满意的效果,而且在实时检测中,由于计算量不大,对于攻击和扫描的反应速度快,只要建立相应的报警机制,一旦检测到可能的入侵行为,系统就会立即通知管理员采取适当的措施,保护系统安全。     

基于改进天牛群算法优化的BP神经网络的入侵检测

针对传统BP神经网络的入侵检测中,BP神经网络模型存在容易陷入局部最优、收敛速度慢、初始值随机性较大等缺点,本文提出改进天牛群算法(Beetle Swarm Optimization,BSO)用于优化BP神经网络的权值与阈值,并采用可变的感知因子及导向性的学习策略,以增强算法跳出局部最优的能力,提升算法全局寻优能力。利用天牛群算法群体智能的特点,提高BP神经网络的收敛速度。并将天牛群优化的BP神经网络模型应用于入侵检测,仿真实验结果表明优化后的BP神经网络模型能够显著提高模型的收敛速率和对入侵数据的检测率,降低误报率。     

基于改进蚁群算法与遗传算法组合的网络入侵检测

为提高网络入侵检测的检测效果,提出一种基于改进蚁群算法与遗传算法组合的网络入侵检测方法.该方法采用遗传算法(genetic algorithm,GA)对网络入侵的特征集进行快速选取,为后续特征提取打下基础;对传统蚁群算法(ant colony optimization,ACO)的节点选择策略和信息素更新策略进行改进,提出一种改进的蚁群算法,提高对最优特征的选择效果,采用改进的蚁群算法对特征进一步选择;采用支持向量机(support vector machine,SVM)统计机器学习方法建立各类网络入侵的检测分类器.仿真实验结果表明,新的网络入侵检测方法综合GA和改进蚁群算法的优势,能够获得更好的入侵特征,从检测正确率、误报率和漏报率3个方面综合比较,新的网络入侵检测方法具有更好的网络入侵检测效果,且提高了检测速率.     

一个基于BP神经网络的入侵检测系统的原型

介绍了神经网络技术在入侵检测上的应用现状及BP神经网络学习算法的原理，开发了一个基于神经网络的入侵检测系统的原型.     

改进蚁群算法优化SVM参数的网络入侵检测模型研究

基于支持向量机(support vector machine,SVM)的网络入侵检测模型泛化能力与其参数选取密切相关,因此SVM参数优化是一个难题。为进一步提高网络入侵检测率,提出一种改进蚁群优化SVM参数算法(modified ant colony optimization algorithm-support vector machine,MACO-SVM)的网络入侵检测模型。首先采用蚁群搜索路径节点代表支持向量机参数,将网络入侵检测率做为目标函数,然后通过蚁群算法的全局寻优能力和反馈机制寻找最优参数,并对蚂蚁进行高斯变异,克服蚁群陷入局部极值,最后将最优路径上的节点连接起来得到SVM的最优参数,建立最优网络入侵检测模型。采用KDD99数据集对模型进行仿真实验,仿真结果表明,MACO-SVM不仅提高了网络入侵的检测效率,而且获得了更高的检测率。     

基于蚁群算法和改进 SSO 的混合网络入侵检测方法

针对一般网络入侵检测方法在不断增加复杂攻击和恶意软件的网络环境下,难以有效保护网络的问题,提出了一种混合入侵检测方法.对网络数据进行预处理,采用蚁群算法(ant colony algorithm,ACO)进行特征选择,数据挖掘,在此过程,为了改善简化群优化(simplified swarm optimization,SSO)分类器性能,提出在SSO中加入一种加权局部搜索策略,即改进的简化群优化(improved simplified optimization optimization,ISSO),这种新局部搜索策略的目的是从由SSO产生当前解的邻域内找到更好的解,从而获得入侵报告.在KDDCup 99数据集上进行了混合检测方法的相关实验.实验结果表明,在粒子数为30,最大代为30时,ISSO就已经达到最好的分类结果93.5％,相比于其他智能算法具有更少的粒子数和更小的最大代.此外,还模拟了3种类型的网络攻击DOS,PROB和U2R,结果表明,大多数情况下该方法的准确率都高于其他检测方法.     

改进的求解整数规划的蚁群算法

针对传统蚁群算法在求解整数规划时易陷入局部最优问题,通过设定信息素的修正阈值,适时对信息素进行修正,以及采取纵向和横行的搜索方式,对蚁群算法进行了改进,算例比较分析结果表明:改进后的蚁群算法能够较好地避免陷入局部最优,且执行效率提高数倍.     

一种改进的基于云环境的蚁群优化算法

在研究标准蚁群优化算法的基础上,提出一种旨在改善网络路由的蚁群优化算法以应用于云环境下多元化复杂的网络结构环境.新算法在原有蚁群算法智能寻优的基础上,加入网络节点在网审查机制,实时判断网络节点是否在网,选择最优解路径.仿真实验表明,改进算法能有效地改善因为网络节点在网情况的多变性而造成的部分路径失效的情况,进而缓解网络拥塞.     

基于二次退火机制的改进多态蚁群算法

利用多态蚁群算法和模拟退火算法的优点提出一种新的融合优化算法。研究结果表明:模拟退火用于优化每轮迭代后的路径,使得信息素释放更好的反映路径的质量;退火思想同时用于信息素更新机制,避免算法早熟、停滞,较差的路径按照退火竞争机制释放信息素;由于每轮迭代最优路径释放信息素最多,对其进行3-opt优化,提高搜索效率。同时,新发现的最优路径允许释放更多的信息素,使得蚂蚁在后续迭代中能够记住这条新路径。实验结果验证了算法的有效性。     

基于蚁群算法的异构传感器网络路由算法

在能量异构传感器网络中,由于节点能量在一定范围内随机分布,平衡能量消耗和延长网络寿命成为此类算法的一个重要挑战．针对该问题,提出了一种基于蚁群算法的异构传感器网络路由算法．算法通过改善网络拓扑结构、优先使用剩余能量较大的节点、构建异构传感器网络多路径路由来实现．模拟实验表明：与传统路由算法（DADC）相比,算法能更好地平衡能量消耗,延长网络寿命．     

基于改进决策树的入侵检测算法

本文对经典的基于信息增益的决策树算法进行改进,提出一种基于决策树与属性相关性相结合的入侵检测算法。该算法同时结合综合策略的剪枝算法以避免过度拟合对检测结果的影响。实验结果证明,本算法不仅在面对已知攻击时能够做出良好的判断,而且在面对未知攻击时仍然具有一定的检测能力,具有良好的性能和可用性。     

基于改进蚁群算法的图像边缘检测

为了克服传统基于蚁群算法的图像边缘检测存在定位不准、易陷入局部最优解、对噪声鲁棒性不佳、且收敛速度过慢等缺点,本文提出了一种基于改进蚁群算法的图像边缘检测算法,此算法以传统边缘检测算子得到的边缘信息作为启发信息,建立了基于蚁群算法的边缘追踪模型,实现了信息素和启发信息对边缘追踪的导向作用,避免了蚂蚁在非边缘区域内行走,克服了陷入局部最优的缺点,最后本文运用了条件概率建立边缘检测评价标准.实验结果表明,本文的边缘检测方法具有较好的检测精度和噪声鲁棒性,且运行速度较快.