基于改進的GHSOM入侵檢測技術研究.pdf_第1頁
已閱讀1頁，還剩54頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領

文檔簡介

1、隨著計算機網(wǎng)絡的廣泛應用，網(wǎng)絡入侵手段不斷多樣化，網(wǎng)絡安全問題成為重點研究領域，傳統(tǒng)的防火墻等技術手段已無法有效防御各類網(wǎng)絡攻擊的入侵，入侵檢測技術方法已成為我們防御網(wǎng)絡攻擊保護網(wǎng)絡安全的重要方法，其中基于神經(jīng)網(wǎng)絡的入侵檢測技術是重要的發(fā)展方向。SOM(Self-Organizing Map)和GHSOM(Growing HierarchicalSelf-Organizing Map)是兩種主要的神經(jīng)網(wǎng)絡檢測模型，對網(wǎng)絡攻擊具有預知檢測

2、、自組織和自學習的能力，但不管是GHSOM還是SOM都僅考慮了學習率及輸入模式與鄰域權值間的關系，忽略對輸入模式中各分量在網(wǎng)絡結構中的重要性作進一步的研究，忽略了輸入模式分量與全體參與競爭的神經(jīng)元權值間的相關關系，網(wǎng)絡入侵檢測準確率需要進一步提高。
　　針對SOM與GHSOM在權值調整過程中所存在的局限性而導致網(wǎng)絡攻擊檢測率低這一問題，本文引入互信息這一信息論中的算法，將其與GHSOM進行結合。利用互信息可以明確反映兩個隨機變量之

3、間相互依存關系強弱的這一特性，對輸入模式各分量與輸出層神經(jīng)元之間進行互信息分析，綜合分析輸入模式分量與GHSOM神經(jīng)網(wǎng)絡整體間的相關關系，將互信息系數(shù)引入GHSOM訓練過程中權值的調整這一核心步驟中，有效的增強輸出層神經(jīng)元自組織學習的能力，避免過多冗余信息的摻雜，較小程度的丟失信息，能夠以較低的錯誤率檢測到網(wǎng)絡入侵行為。實驗部分采用KDD CUP99數(shù)據(jù)集進行入侵檢測實驗，與互信息結合后的GHSOM算法對Probe、R2L和U2R這三種

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論