基于量子神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)技術(shù)研究.pdf

1、隨著網(wǎng)絡(luò)的應(yīng)用越來(lái)越廣泛，網(wǎng)絡(luò)的入侵手段也越來(lái)越多，從而嚴(yán)重威脅了網(wǎng)絡(luò)的安全。只從靜態(tài)防御的角度(如訪(fǎng)問(wèn)控制、防火墻、數(shù)據(jù)加密等)構(gòu)造安全系統(tǒng)很難檢測(cè)復(fù)雜的入侵行為。而入侵檢測(cè)作為一種動(dòng)態(tài)安全防御技術(shù)不但可以有效的檢測(cè)內(nèi)部用戶(hù)的非授權(quán)訪(fǎng)問(wèn)，且對(duì)外部網(wǎng)絡(luò)攻擊也有較高的檢測(cè)效率。
　　神經(jīng)網(wǎng)絡(luò)技術(shù)在入侵檢測(cè)中應(yīng)用較為廣泛，其中最具有代表性的是反饋型(BackPropagation，簡(jiǎn)稱(chēng)BP)神經(jīng)網(wǎng)絡(luò)，但其本身所具有收斂速度慢、易陷于局

2、部極小等性質(zhì)限制了檢測(cè)性能的提高。為解決傳統(tǒng)入侵檢測(cè)模型所存在的檢測(cè)效率低，對(duì)未知的入侵行為檢測(cè)困難等問(wèn)題，本文利用基于多層激勵(lì)函數(shù)的量子神經(jīng)網(wǎng)絡(luò)進(jìn)行入侵檢測(cè)：首先在神經(jīng)網(wǎng)絡(luò)的權(quán)值調(diào)整上，采用適應(yīng)多個(gè)隱層激勵(lì)函數(shù)的調(diào)整算法，相對(duì)于傳統(tǒng)的權(quán)值調(diào)整，該方法可以使輸入數(shù)據(jù)對(duì)應(yīng)到不同的類(lèi)空間中，然后對(duì)隱層量子神經(jīng)元的量子間隔進(jìn)行調(diào)整，使其體現(xiàn)出數(shù)據(jù)的不確定性。這些措施使量子神經(jīng)網(wǎng)絡(luò)能表示更多的狀態(tài)或量級(jí)，從而增加隱層神經(jīng)元的處理速度和檢測(cè)效率。

3、然后在此基礎(chǔ)上，又提出了一種解決前饋型神經(jīng)網(wǎng)絡(luò)易陷于局部極小的有效方案并實(shí)現(xiàn)了相關(guān)算法設(shè)計(jì)。
　　本文設(shè)計(jì)了基于量子神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型，并詳細(xì)設(shè)計(jì)了數(shù)據(jù)采集模塊和檢測(cè)引擎模塊。最后本文將KDD1999數(shù)據(jù)集應(yīng)用到量子神經(jīng)網(wǎng)絡(luò)中，在仿真實(shí)驗(yàn)前對(duì)入侵?jǐn)?shù)據(jù)進(jìn)行了處理：首先把非字符數(shù)據(jù)轉(zhuǎn)換成字符數(shù)據(jù)，其次簡(jiǎn)約和歸一化。然后把處理后的KDD1999數(shù)據(jù)的屬性集作為量子神經(jīng)網(wǎng)絡(luò)的輸入，輸出則定義為是入侵的種類(lèi)。實(shí)驗(yàn)結(jié)果表明：量子神經(jīng)網(wǎng)絡(luò)較