基于特征选择和进化神经网络的网络异常入侵检测方法

由于网络信息数量庞大,内部存在大量冗余特征信息,异常检测时容易受其影响,导致检测效率降低,无法保障网络运行安全。为此提出基于特征选择和进化神经网络的网络异常入侵检测方法。应用主成分分析法选择合适的网络运行数据特征,基于进化神经网络构建异常入侵检测模型,阐述网络异常入侵检测过程,并制定特征数据提取模式与异常入侵判定规则,从而获取最终网络异常入侵检测结果。实验数据显示,提出方法获得异常入侵检测特征数量与最佳特征数量相同,网络异常入侵检测相对准确率最大值为98%,以此证明所提方法检测异常入侵精准性高。

一种神经网络和模式匹配相结合的入侵检测系统

构造一个基于BP神经网络和模式匹配技术的网络入侵检测系统模型.神经网络和模式匹配在检测类型上是互补的,BP神经网络需要数值化的输入,适合检测基于网络数据包流量特性的入侵行为;模式匹配技术是通过在数据包中搜索特征字符串来检测入侵的.将网络数据包分析处理后分别按神经网络和模式匹配检测模块的输入数据格式生成输入实例,再分别予以检测.该系统可以检测出已知的入侵行为,同时具有一定的对未知入侵的检测能力.实验证明两者结合起来构成的检测系统性能更全面.

一种基于模式匹配与前馈式神经网络的入侵检测方法

提出了基于模式匹配与前馈式神经网络相结合的入侵检测模型.该模型运用分布式网络检测及分析系统HISTORY实现数据的采集,然后,对数据流进行数据结构转换预处理,并由模式匹配模块过滤掉部分已知入侵事件,减轻下一步入侵检测的负荷,从而提高入侵检测的效率和精准度.传统的单数据包检测只能检测孤立的入侵事件,而对于多数据包协同合作的入侵却显的无能为力.因此,本文入侵检测模块结合了单数据包检测和多数据包检测方法.实验结果表明:分析系统HISTORY的应用提高了数据处理的效率,多数据包检测弥补了单数据包检测中漏检的入侵事件,有效降低了入侵检测的漏检率.

基于GATv2的网络入侵异常检测方法

【目的】随着网络环境日益复杂化,其所遭受的威胁也愈发严重。入侵检测作为网络安全主动防御的重要手段之一,需要提供更健壮、更有效的检测方法来应对这些挑战。【方法】图神经网络在异常检测方面表现优异。本文基于GATv2(一种改进的图神经网络方法)来构建网络入侵检测的图神经网络方法E-ResGATv2。具体来说,首先将网络流量数据构建成网络流量图,然后通过图形转换来将流量图转换成适合图神经网络处理的图形,以此检测入侵异常流量,并将残差学习集成到图神经网络聚合信息的过程中。【结果】在两个公开入侵检测数据集上的实验结果表明,E-ResGATv2方法的检测效果要好于原始图神经方法,并且具有更强的抗噪能力。【结论】在与机器学习方法取得相似检测效果的情况下,图神经网络方法表现出更强的抗干扰能力,这在复杂多变的网络环境中具有实际意义。

一种基于神经网络和系统调用的异常入侵检测方法

提出了一种利用多层BP神经网络建立进程正常运行轮廓的思想,基于1998年DARPA入侵检测系统评估的审计数据源,通过与K-近邻分类、带(频率)门限的Stide(T-Stide)算法的性能比较表明,所提出的算法具有较高的检测率,同时维持了一个较低的误警率。

基于BP神经网络的异常入侵检测方法

提出一种基于BP神经网络的异常入侵检测方法,由于BP神经网络是一种基于误差反向传播算法的多层前馈神经网络,具有对不确定性的学习与适应能力,可以很好的满足入侵检测分类识别的需求.对“KDD Cup 1999 Data”网络连接数据集进行特征选择和标准化处理之后用于训练神经网络并仿真实验,得到了较高的检测率和较低的误报率.仿真实验表明,基于BP神经网络的入侵检测方法是有效的.

基于神经网络的异常入侵检测设计与实现

讨论了神经网络在异常入侵检测中的应用，提出神经网络的设计方法，给出了系统的结构和识别方法，重点论述了神经网络实现中各环节的技术问题．实验表明该识别方法能较大提高检测率和对入侵变异的自适应性．

一种基于进化神经网络的入侵检测实验系统

参照MITLincoln实验室的入侵检测实验方案,建立了一个基于Linux主机的入侵检测实验环境,提出了相应的入侵特征选择方案,并应用进化神经网络检测入侵,实现了对多种攻击的实时特征抽取及检测。实验表明:系统设计合理,特征抽取及检测方法有效,能较好地检测已知和未知入侵。

基于系统调用的神经网络异常检测技术

给出了一种基于程序行为的神经网络异常检测技术，通过使用ＥＬＭＡＮ网络，利用了程序执行时的系统调用的周期重复特性，使该系统具有检测新型入侵攻击和具有较低虚警率的特点。

神经网络在异常检测中的应用

文章在简单介绍了入侵检测技术之后,在前人工作的基础上提出了一种在异常检测中用神经网络构建程序行为的特征轮廓的思想。文中给出了神经网络算法的选择和应用神经网络的两种网络设计方案,并对它们进行了比较。实验表明在异常检测中用神经网络构建程序行为的特征轮廓,能够大大提高检测系统对偶然事件和入侵变异的自适应性,特别是带有反馈的回归神经网络能更充分地利用数据信息,在保持系统的虚警率不变的情况下使检测率也有所提高。

一种基于进化神经网络的混合入侵检测模型

为了提高入侵检测系统的检测率并降低误报率,将误用检测技术和异常检测技术进行结合,以克服采用单一技术的缺陷。采用改进的进化神经网络作为检测引擎,首先,通过对遗传算法进行改进,弥补实数编码全局寻优能力差的缺陷,且降低计算的复杂度,提高进化收敛速度;然后,将改进的遗传算法和BP神经网络的LM算法进行结合,进一步克服神经网络学习阶段训练速度慢和易陷入局部最优的缺点,进而提高神经网络的分类能力和模式识别能力。采用KDDCUP99数据集作为训练与测试数据集进行实验,结果表明,基于改进的进化神经网络建立的混合入侵检测模型在数据特征规则的提取速度、检测精度以及识别新的攻击类型方面有明显改善。

神经网络在异常检测中的研究与应用

现存的入侵检测系统缺乏从先前所观测到的进攻进行概括并检测已知攻击的细微变化的能力。这里描述了一种基于过程的入侵检测算法,该算法利用人工神经网络的特点,具有从先前观测到的行为进行概括进而判断将来可能发生的行为的能力。本算法主要用于检测新型的网络入侵攻击。

基于神经网络的入侵检测模型

对当前网络上的入侵行为和入侵检测技术进行了分析 ,论述了神经网络应用于入侵检测系统中的优势 。

基于神经网络专家系统的入侵检测方法

论文提出了一种基于神经网络专家系统的入侵检测方法。该方法将入侵检测特征值转化为犤0,1犦区间上相应的模糊取值,采用sigmoid函数作为激活函数进行不确定性推理,检测效率较原有的基于规则的专家系统有较大提高。

网络安全中的入侵检测系统研究与实现

本文首先对 IDS的分类、工作原理及关键技术进行了详细的阐述,并对其进行了详细的分析。接着对入侵检测系统进行了具体介绍,主要内容有:系统体系结构设计,数据采集和预处理,入侵检测引擎;对检测的效果进行了分析和判断,并进行了及时的反应和预警。接着介绍了入侵检测系统的测试与评估方法,包括测试环境搭建、评估指标和测试结果分析。最后讨论了入侵检测系统在实际场景中的应用,包括企业网络安全防护、政府网络安全保障和个人用户网络安全。

基于人工神经网络入侵检测模型的探讨

目前,对ANN IDS的研究,主要集中在ANN算法的改进和具体原型的实现上,而对其模型的探讨则很少。模型研究对IDS发展意义重大,ANN技术在IDS中也具有其它技术不可替代的优越性,因此,对ANN IDS的探讨尤为重要。文中对ANN IDS模型结构、特点及其使用场合均进行了探讨,介绍了IDS模型的现状;阐明了ANN技术在IDS系统中的应用优势和发展;介绍了IDS模型中典型的CIDF,IDES和DIDS模型,并着重分析了三种IDS系统通用模型框架基于ANN技术的实现和应用。

基于RBF神经网络的多级入侵检测研究

为了将误用检测技术和异常检测技术结合起来同时应用于入侵检测系统,提出了多级结构的神经网络入侵检测模型,并将基于径向基函数RBF的神经网络应用于提出的多级结构的入侵检测系统中。实验证明,基于RBF神经网络的多级结构的入侵检测系统具有训练时间短、较高的检测率和较低的误检率等性能,它既能检测到已知的入侵也能检测到未知的入侵。

基于人工示例训练的神经网络集成入侵检测

提出一种基于人工示例训练的神经网络集成入侵检测方法。使用不同的训练数据集训练不同的成员网络,以此提高成员网络之间的差异度。在保证成员网络个数的基础上,选择差异度较大的成员网络构成集成,以提高系统的整体性能。实验结果表明,与当前流行的集成算法相比,该方法在保证较高入侵检测率的前提下,可保持较低的误检率,并对未知入侵也具有较高的检测率。

基于集成神经网络的智能决策入侵检测系统

针对传统入侵检测系统存在误报率、漏检率较高的问题,提出了一种将误用入侵检测和异常入侵检测相结合的智能决策入侵检测系统,该系统基于集成神经网络技术,通过D-S证据理论可以将两种技术很好地结合起来,提高入侵检测系统的效率。阐述了该入侵检测系统的总体结构部署以及各组成模块的相应结构设计。

基于模式匹配和神经网络的分布式入侵防御系统的研究

本文提出一种基于模式匹配和神经网络技术的分布式入侵防御系统模型,设计一个基于该模型的入侵防御系统(称为Adidp)。并详细讨论该系统的体系结构、特点和实现技术等。该模型能够对大型高速分布异构网络进行有效的入侵检测和防御。