基于集成神经网络技术的IDS入侵检测系统研究

谢芬

摘要：网络入侵检测是近几年信息安全领域的研究热点。为了提高网络入侵检测系统中异常数据检测的精度、降低漏报率和误报率，维护网络系统安全，该文提出了一种基于Adaboost算法集成BP神经网络的网络入侵检测方法。该方法首先构造个体BP神经网络模型，个体BP神经网络为弱分类器即可，然后通过大量训练样本对模型进行训练，采用Adaboost算法对其弱分类器进行集成构造强分类器模型。最后在KDD 99数据集上，通过Matlab软件进行仿真实验，实验结果表明，该方法能有效的提高异常数据检测的精度。

关键词：BP神经网络；Adaboost算法；入侵检测

中图分类号：TP393文献标识码：A文章编号：1009-3044(2012)12-2687-02

随着计算机网络技术的飞速发展，网络入侵检测系统成为了近几年信息安全领域研究的热点。入侵检测可以有效地维护网络安全，实现实时保护，抵制各种外部入侵、内部攻击等，弥补了防火墙的不足。网络入侵检测实际上是通过分析网络数据包，把正常数据和异常数据进行有效地分类，找出异常数据。近年来，涌现了大量的基于机器学习的网络入侵检测系统模型，如基于免疫遗传算法、神经网络、支持向量机等等的异常检测算法模型[1]。其中BP神经网络具有学习能力强、结构简洁和非线性映射能力，在网络入侵检测中得到了广泛的应用。但是由于网络数据量非常大，传统的BP神经网络模型在预测分类时往往具有预测分类精度低、模型收敛速度慢等缺陷，不能有效地找出异常攻击样本[2][3]。……