基于神经网络的检测器生成算法研究与应用

doi:10.3969/j.issn.1671-1122.2015.09.055

信息网络安全 ›› 2015, Vol. 15 ›› Issue (9): 249-252.doi: 10.3969/j.issn.1671-1122.2015.09.055

基于神经网络的检测器生成算法研究与应用

伍海波()

湖南第一师范学院,湖南长沙 410205

收稿日期:2015-07-15 出版日期:2015-09-01 发布日期:2015-11-13
作者简介:
作者简介：伍海波（1982-）,男,讲师,硕士,主要研究方向：计算机网络与信息安全。
基金资助:
湖南第一师范学院校级科研项目[XYS14N06]

Research and Applications on Detector Generation Algorithm Based on Neural Networks

Hai-bo WU()

Hunan First Normal University, Changsha Hunan 410205, China

Received:2015-07-15 Online:2015-09-01 Published:2015-11-13

摘要/Abstract

摘要：

否定选择算法是用于生成人工免疫系统检测器的重要算法,而有效的检测器生成算法是入侵检测的核心问题。文章针对现有检测器生成算法存在自适应差的问题,通过对人工免疫系统中否定选择算法原理的分析,提出了一种基于神经网络的检测器生成算法。该算法利用高效的神经网络训练,使得检测器生成算法具有很好的动态适应能力。实验结果表明,该算法应用于入侵检测,提高了检测率,降低了误检率,整体检测性能较好。

关键词: 人工免疫系统, 否定选择, 神经网络, 检测器生成算法

Abstract:

Negative selection algorithm (NSA) is an important method of generating artiﬁcial immune detectors, and efficient detector generation algorithm is the kernel of intrusion detection. Aiming at conventional NSA detectors are not adaptive for dealing with time-varying circumstances, this paper analyzed the negative selection algorithm principle in an artificial immune system, and put forward a detector generation algorithm based on neural networks. Taking advantage of efficient neural networks training, it has the distinguishing capability of adaptation. Experimental results show that the algorithm performs well that it improves the detection rate and reduces the false dtection rate.

Key words: artificial immune systems, negative selection, neural networks, detector generation algorithm

中图分类号:

TP309

伍海波. 基于神经网络的检测器生成算法研究与应用[J]. 信息网络安全, 2015, 15(9): 249-252.

Hai-bo WU. Research and Applications on Detector Generation Algorithm Based on Neural Networks[J]. Netinfo Security, 2015, 15(9): 249-252.

图/表 2

参考文献 20

[1]	KIM J, BENTLEY P J.The human immune system and network intrusion detection[C]//Proceedings of the 7th European Congress on Intelligent Techniques and Soft Computing. Aachen, Germany: EUFIT, 1999: 1120-1125.
[2]	姚洪磊,张彦. 基于BP神经网络的铁路互联网售票系统信息安全评估方法[J]. 信息网络安全,2014,(7):81-86.
[3]	刘锦伟,唐俊. 一种改进的实值负选择算法[J]. 计算机工程,2011,37(14):201-202.
[4]	张凤斌,王天博. 实值n维混沌映射否定选择算法[J]. 计算机研究与发展,2013,50(7):1387-1398.
[5]	陈文,李涛,刘晓洁,等. 一种基于自体集层次聚类的否定选择算法[J]. 中国科学:信息科学,2013,43(5):611-625.
[6]	刘恩海,宋瑞平,樊世燕. 否定选择算法中高性能检测器的生成[J]. 计算机工程与设计,2014,35(8):2773-2777.
[7]	杨韬,邓红莉. 一种使用最近邻自体耐受的否定选择算法[J]. 数字技术与应用,2014,(12):126-127.
[8]	文天柱,许爱强,邓露. 可拓否定选择算法及其在故障诊断中的应用研究[J]. 智能系统学报,2015,7(3):1-5.
[9]	史乐,柏文阳. 新的否定选择算法及其在疾病诊断中的应用[J]. 计算机科学与探索,2015,9(1):36-42.
[10]	FORREST S, PERELSON A S, ALL L, et a1. Self_nonself discrimination in a computer[C]//Process of IEEE Symposium on Research in Security and Privacy. Oakland, CA: IEEE Press, 1994: 202-212.
[11]	何鹏程,方勇. 一种基于Web日志和网站参数的入侵检测和风险评估模型的研究[J]. 信息网络安全,2015,(1):61-65.
[12]	张玲. 基于粗糙集与人工免疫的入侵检测模型研究[D]. 北京:北京邮电大学,2014.
[13]	杨雅辉,黄海珍,沈晴霓,等. 基于增量式GHSOM神经网络模型的入侵检测研究[J]. 计算机学报,2014,37(5):1216-1224.
[14]	王景中,徐友强. 基于RBF神经网络的HTTP异常行为自动识别方法[J]. 信息网络安全,2014,(12):16-20.
[15]	GAO X Z, OVASKA S J, WANG X, et al.A Neural Networks-based Negative Selection Algorithm in Fault Diagnosis[J]. Neural Comput & Applic, 2008, (17): 91-98.
[16]	李晨光. 基于神经网络的入侵检测技术研究与应用[D]. 长春:吉林大学,2013.
[17]	段新东,林玉香,张鑫. 基于智能化自学习方式的入侵检测防护系统设计与实现[J]. 信息网络安全,2014,(2):20-26.
[18]	Kim J, Bentley P J, Aickelin U, et al.Immune system approaches to intrusion detection—a review[C]//Proceedings of the 3rd International Conference on Articial Immune Systems. Catania, Australia: Kluwer Academic Publishers, 2004: 316-329.
[19]	Lincoln Laboratory. Information Systems Technology[EB/OL]. .
[20]	汤健,孙春来,李东. 基于在线集成学习技术的工业控制网络入侵防范技术探讨[J]. 信息网络安全,2014,(9):86-91.

基于神经网络的检测器生成算法研究与应用

Research and Applications on Detector Generation Algorithm Based on Neural Networks

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 20

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王蓉, 马春光, 武朋. 基于联邦学习和卷积神经网络的入侵检测方法[J]. 信息网络安全, 2020, 20(4): 47-54.
[2]	冯文英, 郭晓博, 何原野, 薛聪. 基于前馈神经网络的入侵检测模型[J]. 信息网络安全, 2019, 19(9): 101-105.
[3]	陈冠衡, 苏金树. 基于深度神经网络的异常流量检测算法[J]. 信息网络安全, 2019, 19(6): 68-75.
[4]	刘敬浩, 毛思平, 付晓梅. 基于ICA算法与深度神经网络的入侵检测模型[J]. 信息网络安全, 2019, 19(3): 1-10.
[5]	方勇, 朱光夏天, 刘露平, 贾鹏. 基于深度学习的浏览器Fuzz样本生成技术研究[J]. 信息网络安全, 2019, 19(3): 26-33.
[6]	杨威超, 郭渊博, 钟雅, 甄帅辉. 基于设备型号分类和BP神经网络的物联网流量异常检测[J]. 信息网络安全, 2019, 19(12): 53-63.
[7]	龙敏, 龙啸海, 马莉. 基于深度卷积神经网络的指纹活体检测算法研究[J]. 信息网络安全, 2018, 18(6): 28-35.
[8]	马晨曦, 陈兴蜀, 王文贤, 王海舟. 基于递归神经网络的中文事件检测[J]. 信息网络安全, 2018, 18(5): 75-81.
[9]	和湘, 刘晟, 姜吉国. 基于机器学习的入侵检测方法对比研究[J]. 信息网络安全, 2018, 18(5): 1-11.
[10]	段大高, 谢永恒, 盖新新, 刘占斌. 基于神经网络的微博虚假消息识别模型[J]. 信息网络安全, 2017, 17(9): 134-137.
[11]	夏玉明, 胡绍勇, 朱少民, 刘丽丽. 基于卷积神经网络的网络攻击检测方法研究[J]. 信息网络安全, 2017, 17(11): 32-36.
[12]	GULKhanSafiQamas, 尹继泽, 潘丽敏, 罗森林. 基于深度神经网络的命名实体识别方法研究[J]. 信息网络安全, 2017, 17(10): 29-35.
[13]	魏子令, 赵宝康, 苏金树. 人本感知网络中用户位置信息保护的研究[J]. 信息网络安全, 2016, 16(8): 6-11.
[14]	胡青, 刘本永. 基于卷积神经网络分类的说话人识别算法[J]. 信息网络安全, 2016, 16(4): 55-60.
[15]	. 基于 BP 神经网络的铁路互联网售票系统信息安全评估方法[J]. , 2014, 14(7): 81-.