基于神经网络抗体群的入侵检测系统研究.docx

基于神经网络抗体群的入侵检测系统研究
摘要
网络安全一直是网络信息技术所关注的热点，随着网络攻击的不断发展，入侵检测技术变得愈加重要。传统的入侵检测方法在精确度和实时性方面都存在局限，而基于神经网络抗体群的入侵检测系统可以有效提高检测效果。本文将从神经网络抗体群入手，介绍其基本原理，建立了一套完整的基于神经网络抗体群的入侵检测系统，并通过实验证明该系统的高效性和有效性。
关键词：神经网络；抗体群；入侵检测；网络安全
Abstract
Networksecurityhasalwaysbeenahottopicinnetworkinformationtechnology.Withthecontinuousdevelopmentofnetworkattacks,intrusiondetectiontechnologyhasbecomemoreandmoreimportant.Traditionalintrusiondetectionmethodshavelimitationsinaccuracyandreal-timeperformance,whileintrusiondetectionsystemsbasedonneuralnetworkantibodygroupscaneffectivelyimprovethedetectioneffect.Thispaperwillstartfromtheneuralnetworkantibodygroup,introduceitsbasicprinciple,establishacompleteintrusiondetectionsystembasedonneuralnetworkantibodygroup,andprovethroughexperimentstheefficiencyandeffectivenessofthesystem.
Keywords:neuralnetwork;antibodygroup;intrusiondetection;networksecurity
一、绪论
网络安全一直是信息技术研究领域的热点问题，而入侵检测技术是网络安全的重要组成部分。入侵检测系统主要是为了发现并识别正在发生的入侵或者正在试图发生的入侵，从而对其进行防范和阻止。传统的入侵检测方法主要有基于规则、基于特征和基于数据挖掘等方法，然而这些方法往往存在着运行速度不快、精度不够高、对新的攻击方式无法有效检测等问题，这也说明传统的入侵检测方法需要不断地更新完善。
基于神经网络的入侵检测方法从神经网络模型出发，在数据处理过程中，可以将样本中重要的数据特征通过训练自动学习到神经网络中，而不是人为地去认定和提取，这为入侵检测提供了新的思路。本文将从神经网络抗体群出发，建立了一整套完整的入侵检测系统。
二、神经网络抗体群入侵检测原理
神经网络抗体群入侵检测主要是依据神经网络模型学习能力强、试样发扬神力的特点，在不断的训练过程中学习和记忆相关的数据特征，进而实现对异常交通的判定。其中神经网络抗体群是根据生物界的免疫系统的原理发展起来的，通过免疫系统对毒素进行反应的方式，实现对入侵行为的检测，据此，神经网络抗体群入侵检测也有了一些创新性的技术。
1.神经网络模型
神经网络一般是由输入层、隐藏层数（可以有多个）和输出层组成的，模型的输入主要是样本集，网络需要对这些样本进行学习，从之中提取有效的特征，学习完成后需要进行一系列的测试，判断新进入系统的数据是否是入侵交通。神经网络的训练过程主要是增加样本数据集和自适应学习，而模型的输出则用于提供检测结果。
2.抗体和抗体群
抗体是一种能被抗原发现并结合成一个特定的物理化学复合物的蛋白质分子，免疫系统正是基于抗原/抗体相互作用的原理抵御病原体和外来物质的侵袭。抗体群是由大量的抗体组成的，而抗体群自然地纠正和适应以前没有遇到的攻击病原体，进而实现对新攻击的检测。
3.神经网络抗体群入侵检测原理
神经网络抗体群入侵检测一共需要两个阶段。第一个阶段先使用Kmeans聚类算法对训练样本集中的数据进行一次无监督的学习，将相关的数据分成不同的簇，只对一部分具有异常行为的簇进行监督学习。第二个阶段就是在训练阶段中构建好检测模型的基础上，对新进入的数据进行分类检测，判断是否是网络入侵。
三、基于神经网络抗体群的入侵检测系统设计
1.系统设计思路
基于神经网络抗体群的入侵检测系统主要由三部分组成：训练数据集、入侵检测模型和检测数据集。其中训练数据集由样本集组成，入侵检测模型主要是通过神经网络算法来实现，而检测数据集则是模型产生的检测结果。在这个系统中，主要的工作就是对样本进行训练，从中提取出重要的特征，保存模型，并通过实时的监控数据集，发现并识别出不同类型的网络入侵行为。
2.系统流程设计