基于模糊综合决策的计算机入侵检测技术探析

入侵事件的复杂性和不确定性可以通过模糊概念进行界定和分析,从而更准确地描述网络安全问题.矩阵运算在计算机入侵检测模糊综合决策中至关重要.通过实例介绍一种应用于群组决策的特殊矩阵--模糊互补判断矩阵.     

遗传算法优化模糊神经网络的入侵检测模型

针对目前大多数的入侵检测系统存在的局限性,依据通用入侵检测框架CIDF,提出了一种利用遗传算法优化网络参数的基于模糊神经网络的入侵检测模型,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95％以上．     

模糊聚类分析在入侵检测系统中的应用研究

随着计算机网络技术的迅速发展和应用,入侵检测技术已成为网络安全领域内的研究热点.文中提出了一种基于模糊聚类分析的异常检测方法,并通过实验对这种方法进行了性能评估.实验采用了KDD99 的测试数据,结果表明,该方法能够比较有效地检测真实网络数据中的未知入侵行为.     

基于Snort的网络安全管理平台入侵检测技术研究

运用轻量级入侵监测系统Snort入侵检测技术,讨论开放源代码功能强大的网络入侵检测系统Snort的报警机制和原理,及运用Unix套接字技术的服务器端接收报警信息的实现方法.讨论在网络安全管理平台中Snort入侵检测技术应用的集成方法和技术,给出在网络通信中采用对称加密,提高网络安全管理平台中入侵检测技术的效率和安全性的办法.     

计算机网络入侵检测技术概述

防止网络入侵是网络安全中最重要的问题,网络黑客的入侵导致很多政府机关、企事业单位信息的泄露,因此,提高网络入侵检测的能力被提上了日程。本文对网络入侵检测从理论到实际进行了阐述,重点讨论了入侵检测系统的结构,使其有了很大的实用性。入侵检测是一种动态安全策略,文章从入侵检测技术的发展、检测系统的通用模型和分类以及检测方法四个方面对当前入侵检测的研究进行技术性综述,讨论了现有的入侵检测体系结构,详细分析了各种入侵检测方法,并在文中指出了当前入侵检测研究中存在的问题和今后发展的趋势。     

基于邻域关系的网络入侵检测特征选择

入侵检测数据集具有数据量大、特征敷众多、连续型数据的特点.粗糙集是一种有效处理不确定性、不一致性、海量数据的有效分类工具,其特点是保持入侵检测数据集的分类能力不变,进行特征选择.为了避免传统粗糙集特征选择方法所必需的离散化过程带来的信息损失,引入邻域粗糙集模型,提出基于邻域关系的网络入侵检测数据特征选择方法.该方法从所有特征出发,根据特征重要度逐步删除冗余的特征,最后得到关键特征组进行分类研究.在CUP99入侵检测数据集上进行特征选择,并进行了分类实验,实验结果表明该方法是有效可行的.     

基于流量特征指纹的工控系统网络入侵检测

对于工控系统网络入侵检测,目前主要从网络特性和入侵特性的角度来分析其特征,以达到检测网络入侵的目的 .提出了一种基于工控系统流量特征指纹库的网络入侵检测方法,从工控系统的角度,采用分层分析法建立系统网络流量特征指纹库,同时建立实时流量特征库匹配模型,实现了网络入侵行为的检测和入侵信息的定位.通过分析工控系统的组成以及系统中设备的相关网络行为特征,采用分层分析法构建了以协议类别、流量大小、设备协议配置和协议数据内容组成的网络流量特征指纹库.当工控系统网络中出现入侵行为时,匹配模型能根据流量特征库有效辨别入侵并定位出网络中与入侵相关的信息.最后,以变电站工控系统为例搭建了仿真平台,通过模拟变电站系统间隔层网络中出现数据伪装入侵,实现了对变电站工控系统入侵行为的检测和入侵信息的定位.     

蚁群算法选择特征与WSVM融合的网络入侵检测

为了提高网络入侵检测率,提出一种蚁群算法选择特征与加权支持向量机的网络入侵检测方法.利用蚁群算法选择网络数据的关键特征,计算信息增益获得各个特征权重,根据特征权重构建了加权支持向量机的网络入侵分类器,并通过KDD CUP 99数据集验证了其有效性.结果表明:该算法能够有效降低特征维数,提高网络入侵检测率和检测效率.     

基于Honeypot技术的网络入侵检测系统

利用Honeypot(蜜罐)技术设计了一种新的网络入侵检测系统。Honeypot技术是入侵检测技术的一个重要发展方向,已经发展成为诱骗攻击者的一种非常有效而实用的方法,不仅可以转移入侵者的攻击,保护主机和网络不受入侵,而且可以为入侵的取证提供重要的线索和信息,成功地实现了对网络入侵的跟踪与分析,具有一定的实用价值。     

云计算环境下入侵疑似边界问题改进算法

传统的疑似边界问题处理算法一直存在边界确定结果不准确、误差较大的问题,为了提高网络安全性能,提出一种基于模糊网络阈值计算的云计算环境下入侵检测中疑似边界确定算法,分析了云计算环境下入侵种类及其检测原理,并确定其入侵形式;通过计算模糊网络阈值,确定云计算环境下入侵检测中疑似边界具体参数.仿真实验结果表明,采用改进算法进行疑似边界的确定,其结果精度及效率均优于传统算法,具有一定的优势.     

基于模糊神经网络的深基坑变形预测

针对深基坑变形控制系统中的不确定性、模糊性因素多的问题,将模糊控制理论与神经网络技术相结合,采用非线性神经元构成的神经网络结构,把对应的网络输入、输出表达为输入、输出信息的模糊数隶属度,建立了一种基于模糊神经网络的深基坑施工变形预测模型.结果表明,利用模糊度隶属函数对基坑施工进行动态控制具有较好的实用效果.     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

基于永磁同步电机的电梯速度控制器研究

设计一种基于自适应模糊神经网络原理的永磁同步电机电梯曳引机速度控制器.这种控制器具有神经网络自学习能力和模糊控制器处理不确定信息的能力.网络初始参数通过离线训练方式获得,从而实现对电机速度的智能控制.将模糊神经网络(fuzzy neural network control,FNNC)速度控制器与常用的PI控制、模糊PI控制方式对比进行仿真研究.研究表明,采用自适应模糊神经网络的控制器比另外两种方法更具有良好的鲁棒性和动态性能.     

多源信息的模糊决策树融合算法研究

针对不确定性问题，提出了一种新的基于知识发现的信息融合的方法.对不确定问题采用精确的数学方法解决会得到不精确的结论，模糊决策树算法可以很好地解决这类问题，并能有效地提取出模糊规则.即利用模糊决策树的ID3算法对测试空间中的大量不确定多源信息数据进行综合分析、处理，建立准确的评估模型，提取隐含其中的规则，最终获取新的知识.此方法已成功应用于吉林丰满水电数字仿真系统中的考核系统.实验证明，这种知识提取方法对处理大量无序、不确定的数据很有效.     

神经网络的企业能力集扩张模型研究

如何借助于不确定性推理技术和原理(概率推理、证据推理、模糊推理、信息推理、包含度推理等)研究不确定情形下的能力集扩张问题,仍是能力集扩张理论中很值得研究的内容之一。关于不确定情况下的能力集扩张问题,目前的文章主要是研究企业已有能力集或实需能力集是不确定的情形,没有解决两者都是不确定的情况,正是基于此目的,采用模糊粗集神经网络方法研究此种情况下的企业能力集扩张过程,解决模糊的市场需求、粗糙的已有能力集等不确定性影响因素,帮助决策者将企业能力集扩张到企业管理决策问题满意解所需的能力集。     

基于决策树与脉冲神经膜系统的输电网故障诊断方法

为有效处理电网故障诊断过程的不确定和不完备信息,提出一种基于决策树与模糊推理脉冲神经膜系统的输电网故障诊断方法:首先采用权重网络分割法将电网分割为若干小型子网,再利用决策树算法对原始故障决策表进行训练,并约减故障信息,提取输电网故障产生式规则;然后利用模糊推理脉冲神经膜系统的强大知识并行推理和模糊信息处理能力,建立基于 FRSNPS 的故障诊断模型,实现输电网故障诊断;最后,以 IEEE14 节点标准系统为对象进行仿真实验和分析。实验结果表明,该方法在单类型和多类型故障信息丢失时,依然能够诊断出正确故障元件。     

面向控制的城市交通网络宏观动态模型

针对城市道路交通流非线性、不确定性和模糊性特点，提出了面向控制应用的城市交通网络宏观动态离散模型. 基于大系统分解 协调理论，把整个城市道路大交通网络分为城市区域、城市快速公路、城市区域 城市快速公路3个子 系统，分别建立了它们的宏观动态模型，并分析了这3个子系统模型之间的相互关系.对杭州市中心区域的实际交通流数 据进行了仿真研究，结果表明该交通流模型较好地反映了城市路网的交通流信息，可以作为城市交通控制系统分析和设 计的有力工具.     

一种模糊神经网络及其应用

本文将模糊运算引入常规的Ｐｉ－ｓｉｇｍａ神经网络，大大增强了神经网络处理非线性和不确定性映射的能力，通过对Ｚａｄｅｈ模糊算子的等价变换，使模糊运算成为连续可微的函数，从而实现用梯度法对网络权值的更新，本文的结果显示，这种混合型神经网络在非线性建模和模糊建模等方面有重要的应用价值。     

基于神经网络与D-S证据理论的目标识别

针对目标识别中基本可信度分配需要专家知识在实际中难以实现的问题,提出一种基于神经网络和D-S证据理论相结合的多传感器数据融合的方法.该方法利用D-S理论来表示和处理不精确的、模糊的信息,发挥神经网络的自学习、自适应和容错能力,提高了系统识别率.最后通过实验,利用神经网络来处理证据理论中的基本可信度分配问题,对几种空中目标进行身份估计数据融合,经计算机仿真证实了该方法的有效性.     

基于模糊智能信息系统的设计与实现

在不确定环境下，数据库所提供的信息常常被作为决策制定和问题求解的输入信息。在实际应用中，对于具有不确定性的事务或非精确数据的处理，一般使用近似推理的方法来解决。本文中介绍的模糊智能信息系统模型是建立在关系数据库概念、模糊集理论和概率分布基础上的，并且系统中使用的模糊逻辑可在不确定环境中满足其信息处理的需要。