基于自适应进化神经网络算法的入侵检测

针对目前多数入侵检测系统的低检测率问题,提出一种自适应进化神经网络算法AENNA。基于遗传算法和BP神经网络算法,利用模拟退火算法的概率突跳和局部搜索强的特性对遗传算法进行改进,采用双种群策略的遗传进化规则实现BP神经网络权值和结构的双重优化;通过对遗传算法的交叉算子与变异算子的改进,设计一种自适应的神经网络训练方法。实验结果表明,基于AENNA的入侵检测方法能够有效提高系统的检测率并降低误报率。     

遗传算法的发展及在入侵检测中的应用现状

遗传算法(GA)是一种新型的优化方法,它比传统搜索方法尽管具有更强的鲁棒性,国内外对遗传算法的理论研究已经十分成熟,它也被成功地应用于解决商业、工程和科学等领域中复杂的优化问题,但应用于入侵检测系统(IDS)的研究时间并不长.入侵检测一直是很热门的话题.大量的关于入侵检测的文献都提出了自己的研究成果.近年来,国内外在遗传算法应用于IDS中的研究越来越多,方法也层出不穷.从一些文章的实验以及仿真的结果表明:遗传算法(GA)可以提高IDS的检测效率,减少错误率以及剔除无用的分析项,使IDS的运行时间得到优化.     

基于遗传算法和神经网络的入侵检测研究

基于神经网络的入侵检测是常见的智能入侵检测方法,能够对网络内部、外部攻击进行防御。将神经网络和遗传算法相结合,采用改进适应度遗传算法优化神经网络。实验结果表明,该方法能够有效的提高系统的检测率,降低误报率。     

智能入侵检测系统在网络中的应用

本文提出了一种基于遗传算法的智能入侵检测系统体系结构,采用遗传算法建立准确的数据模型,使入侵检测系统能够自动配置和更新不同环境下的入侵检测模型,能够通过自我学习、自我改进来提高系统的入侵检测能力和适应能力。     

用遗传算法改进基于专家系统的入侵检测系统

基于专家系统的入侵检测系统的检测性能很大程度依赖于专家系统的规则集.为了提高基于专家系统的入侵检测系统的检测能力,使用遗传算法来对专家系统的规则集进行动态更新.但是基本遗传算法并不能有效对规则集进行动态更新,所以从编码、适应度函数、交叉等几个方面对遗传算法进行了改进.对如何使用改进的遗传算法对专家系统的规则集进行动态更新提出了一种实现方案.     

基于遗传算法的网络入侵检测方法研究

针对目前大多数入侵检测系统存在的局限性,依据通用入侵检测框架提出了一种利用遗传算法的入侵检测模型,分析了入侵模糊特征、模糊神经网络的学习优化问题。给出了此模型中模糊神经网络模块的训练算法。仿真实验结果表明该检测算法可以有效地进行入侵检测,检测效率达到92%以上。     

自适应遗传算法优化神经网络的入侵检测研究

入侵检测是一种动态的安全防护技术,能够对网络内部、外部攻击进行防御.基于神经网络的入侵检测是常见的智能入侵检测方法.针对神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,提出了一种将神经网络和遗传算法相结合,用遗传算法优化神经网络权值,在遗传算法优化神经网络时采用自适应遗传操作.将自适应遗传算法优化神经网络算法应用于入侵检测系统中,实验结果表明,该方法能够有效的提高系统的检测率,降低误报率和漏报率.     

神经网络在网络入侵检测中的应用研究

研究网络安全问题,针对网络受到非法用户入侵,破坏系统的正常工作,传统网络初始权值凭经验确定,易出现初始权值确定不当,导致网络入侵检测准确率低的难题.为了提高网络入侵检测的准确率,提出一种遗传神经网络的网络入侵检测方法.方法把神经网络和遗传算法结合起来,把网络初始权值作为遗传算法的一个种群,把网络检测准确率作为遗传算法的目标函数,通过遗传算法种群的"优胜劣汰"机制搜索到神经网络算法的全局最优初始权值,采用最优权值对网络入侵数据进行检测,得到最优网络入侵检测结果.结果证明,方法学习速度快、检测准确率高、漏报率与误报率低,克服传统网络检测方法不准确的缺陷.     

遗传算法改进的蜜罐及其在入侵检测系统中的研究与设计

传统的安全防护手段如防火墙、入侵检测等缺乏网络防御的主动性和时效性.在分析入侵检测系统、蜜罐原理和遗传算法的基础上,介绍一种基于遗传算法的蜜罐系统,其关键技术包括隐蔽的数据捕捉和基于遗传算法的行为分析.     

一种新的图象分割自适应算法的研究

首先对自适应遗传算法的变异算子进行了改进,对单点变异算子与双点变异算子的结合能有效地改善局部收敛进行了验证,然后提出了一种新的用自适应遗传算法分割图象的方法,并与传统的Ｏｔｓｕ方法、灰度差直方图法和基于熵的方法作了比较。