基于免疫記憶的RBF群在入侵檢測(cè)中的應(yīng)用.pdf

1、現(xiàn)代大型網(wǎng)絡(luò)的結(jié)構(gòu)日趨復(fù)雜，規(guī)模快速增長(zhǎng)。利用傳統(tǒng)的基于模糊推理或規(guī)則匹配的專家系統(tǒng)對(duì)其進(jìn)行入侵檢測(cè)已不能滿足系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確度要求。需要研究新的智能檢測(cè)技術(shù)，其中神經(jīng)網(wǎng)絡(luò)方法和人工免疫方法是研究的熱點(diǎn)。神經(jīng)網(wǎng)絡(luò)具有優(yōu)良的非線性逼近特性，學(xué)習(xí)和歸納能力，但是神經(jīng)網(wǎng)絡(luò)存儲(chǔ)信息容量有限，學(xué)習(xí)速度慢，容易陷入局部極小等缺點(diǎn)。人工免疫方法具有全局收斂，聯(lián)想記憶，自組織，自學(xué)習(xí)和動(dòng)態(tài)調(diào)解等優(yōu)良特性，因此將人工神經(jīng)網(wǎng)絡(luò)與人工免疫技術(shù)結(jié)合成為入侵檢

2、測(cè)技術(shù)的新的研究方向。 但目前的研究主要是用免疫算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，優(yōu)化網(wǎng)絡(luò)參數(shù)，結(jié)合的程度不夠高，導(dǎo)致人工免疫系統(tǒng)中學(xué)多優(yōu)良的特性如聯(lián)想記憶、自組織、自學(xué)習(xí)和動(dòng)態(tài)調(diào)解等特性無法應(yīng)用到神經(jīng)網(wǎng)絡(luò)當(dāng)中。如何將人工神經(jīng)網(wǎng)絡(luò)與人工免疫技術(shù)的結(jié)合，發(fā)揮各自的優(yōu)勢(shì)，提高入侵檢測(cè)的效率，成為本文探索研究的主要內(nèi)容。本論文的主要研究工作如下： 1．將免疫記憶機(jī)制引入到神經(jīng)網(wǎng)絡(luò)方法當(dāng)中，其主要思想是：先通過聚類將待學(xué)習(xí)數(shù)據(jù)劃分為若干個(gè)類，然

3、后對(duì)每個(gè)類用一個(gè)小的神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)，這樣整體上形成了一個(gè)具有很多小神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)群，每個(gè)小的網(wǎng)絡(luò)相當(dāng)與一個(gè)免疫細(xì)胞。這個(gè)過程相當(dāng)于免疫記憶中的一次應(yīng)答。將訓(xùn)練好的網(wǎng)絡(luò)群用于檢測(cè)的過程相當(dāng)于免疫機(jī)制中的二次應(yīng)答。如果有新的數(shù)據(jù)類，可增加一個(gè)新的神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)新數(shù)據(jù)。小的神經(jīng)網(wǎng)絡(luò)可以動(dòng)態(tài)增加，這樣就解決了神經(jīng)網(wǎng)絡(luò)應(yīng)用中網(wǎng)絡(luò)容量的限制，同時(shí)由于網(wǎng)絡(luò)規(guī)模的減小，也提高了網(wǎng)絡(luò)的學(xué)習(xí)速度。 2．將免疫網(wǎng)絡(luò)機(jī)制與在線核聚類方法相結(jié)合，提出了基

4、于免疫網(wǎng)絡(luò)的在線核聚類算法，該算法解決了一些聚類算法中出現(xiàn)的聚類中心漂移，及類間邊界模糊和類間數(shù)據(jù)密度分布不均勻無法聚類的問題。同時(shí)由于采用在線聚類算法，在聚類時(shí)間上明顯快于自適應(yīng)半徑的免疫網(wǎng)絡(luò)聚類算法，在人工數(shù)據(jù)集和IRIS數(shù)據(jù)集上得到了仿真驗(yàn)證。并將該算法作為入侵檢測(cè)系統(tǒng)中劃分RBF網(wǎng)絡(luò)的核心算法。 3．構(gòu)建了一種基于免疫記憶的RBF群的入侵檢測(cè)系統(tǒng)，給出了基本的設(shè)計(jì)思想和算法，及學(xué)習(xí)數(shù)據(jù)的預(yù)處理方法。最后在KDDCUP99