基于改進PSO的RBF神經網絡入侵檢測方法研究.pdf

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

2、，IDS(Intrusion-Detection System，簡稱，IDS)的研究取得了較大的進展。但在網絡攻擊方式不斷更新變化的情況下，傳統(tǒng)的通過特征比對檢測入侵行為的缺點逐漸暴露出來，尤其是在面對未知攻擊形式、攻擊類型日趨復雜多變以及網絡的結構也不斷更新升級時，其既不能自適應以上環(huán)境的變化，也不能對其性能進行擴展，而具有自學習、自適應以及聯(lián)想記憶等性能的人工神經網絡(Artificial Neural Network，簡稱，ANN

3、)可以很好地解決以上問題。
　　 近年來，RBF神經網絡(Radial Basis Function Neural Network，簡稱，RBFNN)一直是相關專家學者重點研究的一種人工神經網絡，并且它在很多領域，諸如系統(tǒng)辨識、分類、信號處理和函數(shù)逼近等方面得到了成功應用。但是在對RBF神經網絡進行設計的時候，RBFNN有三個非常重要的參數(shù)(權值w，中心c和基寬σ)，如果它們的初值選取的不恰當，那么就容易造成RBF神經網絡陷入局

4、部最優(yōu)、收斂慢、精度低等問題，而具有較強的全局優(yōu)化性能的粒子群優(yōu)化(Particle Swarm Optimization，簡稱，PSO)算法可以很好的解決這些問題。為了進一步提高RBF神經網絡的性能和入侵檢測系統(tǒng)的檢測率，本文研究的主要內容如下：
　　 1.提出一種多策略改進PSO算法(IPSO)，該算法是在PSO算法的基礎上，首先采用自適應策略對慣性權重進行調整，解決PSO算法對非線性問題優(yōu)化能力低這一問題；其次根據(jù)群體適應

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”則對群體粒子的最優(yōu)解做極值擾動。并通過仿真實驗驗證IPSO算法的性能。
　　 2.為進一步提高RBFNN學習算法的收斂速度和精度，提出一種基于IPSO的RBF神經網絡算法，該算法在用減聚類算法確定RBFNN隱含層節(jié)點個數(shù)的基礎上，把IPSO算法和梯度下降法相結合對RBFNN的參數(shù)分別進行全局優(yōu)化和局部優(yōu)化。并通過對Hermit多項式進行仿真實驗