基于神經網絡的入侵檢測相關技術研究.pdf

1、隨著互聯(lián)網規(guī)模的日漸增大，網絡新興服務逐步影響著人們的日常生活，同時，網絡安全問題也倍受人們關注。面對攻擊行為日益復雜化的發(fā)展趨勢，入侵檢測系統(tǒng)可以通過實時分析獲取的計算機系統(tǒng)、網絡和用戶的事件信息，來評估計算機系統(tǒng)和網絡的安全性。傳統(tǒng)環(huán)境下的入侵檢測技術一直都是各研究機構的研究熱點，如何提高入侵檢測系統(tǒng)的檢測性能至關重要。同時，云計算作為新的計算模式，改變了傳統(tǒng)計算機體系架構，但是其虛擬化、分布式和超大規(guī)模的特點給計算機系統(tǒng)、網絡和用

2、戶帶來了巨大的安全挑戰(zhàn)。為了有效應對這些新的挑戰(zhàn)，研究云環(huán)境下的入侵檢測系統(tǒng)同樣具有重要的現(xiàn)實意義。
　　神經網絡具有自學習、聯(lián)想記憶和可高速并行計算的特點，使其在很多應用領域都取得了顯著的效果。將神經網絡技術應用于入侵檢測領域，已經引起了國內外相關學者的普遍關注。本文利用神經網絡理論，對傳統(tǒng)環(huán)境和云環(huán)境下的入侵檢測系統(tǒng)相關問題進行了研究。本文首先針對傳統(tǒng)環(huán)境下的分布式入侵檢測系統(tǒng)存在中央節(jié)點負載大，易造成單點失效等問題，研究可高

3、速并行計算，易于硬件實現(xiàn)，檢測精度高的完全分布式協(xié)同入侵檢測系統(tǒng)（第二章）。然后為彌補傳統(tǒng)環(huán)境下的入侵檢測系統(tǒng)普遍存在缺乏主動防御能力的缺點，研究在目標主機或操作系統(tǒng)遭到破壞之前，可預測即將發(fā)生攻擊行為的入侵預防系統(tǒng)（第三章）。隨著云計算的發(fā)展，傳統(tǒng)環(huán)境下的入侵檢測系統(tǒng)在海量入侵數據檢測率和檢測速度方面都存在著局限性，已經不能滿足云環(huán)境下入侵檢測系統(tǒng)的需求，因此本文研究了可自主學習、動態(tài)拓展的基于網絡的云入侵檢測系統(tǒng)（第四章）。云計算的

4、核心是虛擬化技術，針對虛擬機在遷移過程中容易因為系統(tǒng)存在的漏洞或后門缺陷遭受病毒或黑客攻擊，造成虛擬機異常遷移等安全問題，本文最后研究了虛擬機遷移調度監(jiān)控系統(tǒng)，保障虛擬計算環(huán)境的安全（第五章）。本文的主要創(chuàng)新工作如下:
　　(1)通過對分布式入侵檢測系統(tǒng)的研究提出了一種基于離散細胞神經網絡(DTCNN)和狀態(tài)控制細胞神經網絡(SCCNN)的完全分布式協(xié)同入侵檢測系統(tǒng)。其中，基于DTCNN的多層檢測模型作為本地節(jié)點檢測分類器，基于改

5、進SCCNN的一維環(huán)形檢測模型作為全局檢測器。每個本地節(jié)點檢測器負責獨立地檢測本地網絡入侵行為，然后周期性地發(fā)送檢測消息與其相鄰節(jié)點交換本地檢測信息，構成全局檢測器。針對本地節(jié)點檢測器的模板參數，提出了基于改進粒子群算法的參數選擇算法，通過能量函數約束法構造新的適應度函數來避免粒子群算法陷入早熟收斂并尋找到參數最優(yōu)解。針對全局檢測器，提出了一種基于求解線性矩陣不等式的模板參數求解方法，使系統(tǒng)達到理想的穩(wěn)定輸出，實現(xiàn)檢測應用。仿真實驗結果

6、表明本檢測系統(tǒng)與其他分布式入侵檢測系統(tǒng)相比具有更高的檢測率。
　　(2)通過對入侵預測系統(tǒng)的研究提出了基于神經網絡改進時序分析方法的入侵預測模型。為降低入侵預測系統(tǒng)的誤報率和漏報率，提高入侵預測模型預測精度，提出了基于灰色神經網絡改進ARIMA的網絡入侵預測模型，采用BP網絡映射灰色預測模型的微分方程解，構造出新的灰色神經網絡，對基于ARIMA的網絡入侵預測模型預測殘差進行修正。此外，為提高多尺度網絡流量時序的預測精度，本文還提出

7、基于小波分解和改進最小復雜度回聲狀態(tài)網絡的網絡入侵預測模型(IMCESN-WD)，首先對原始網絡流量時序進行小波分解預處理，然后對分解后的各個尺度子序列建立最小均方誤差和誤差變化率改進最小復雜度回聲狀態(tài)網絡的預測模型，最后利用權值因子將子序列預測結果進行整合。仿真實驗證實上述方法可通過對網絡流量數據進行建模來衡量網絡的安全狀況，對入侵行為進行預警，預測精度較高。
　　(3)通過對基于網絡的云入侵預測系統(tǒng)的研究提出了一種基于改進生長

8、自組織神經網絡的云網絡入侵檢測系統(tǒng)。該系統(tǒng)利用映射規(guī)約主成分分析算法對海量入侵數據進行降維，并將降維后的數據利用改進的生長自組織神經網絡算法進行動態(tài)更新檢測，利用遺傳算法對基于生長自組織神經網絡檢測模型拓展出的自組織神經網絡子網中的連接權值進行優(yōu)化，加速檢測網絡收斂。仿真實驗表明本方法可以實現(xiàn)對海量入侵數據的實時檢測和新型攻擊的擴展檢測，檢測算法與其他算法相比有較高的有效性和可拓展性。
　　(4)通過對虛擬機遷移監(jiān)控系統(tǒng)的研究提出