基于云计算和机器学习的网络入侵检测系统研究

杜军龙，周剑涛

(江西省信息中心， 江西 南昌 330001)

0 引言

入侵检测在保障信息安全中起着重要的作用，准确识别网络中的各种攻击是其关键技术。文章介绍一种基于云计算和机器学习的网络入侵检测系统，该系统提供了一种基于网络大数据流的结构可视化分析的新方法。此外，这种软件计算方法对于识别未知的或未遇到过的攻击非常有用，这得益于人工机器学习的神经网络的泛化能力。在研究中，探讨了如何建立一个基于机器学习的入侵检测系统模型，并提出了一种神经网络和贝叶斯过滤器的入侵检测的深度学习方法。此外，同时研究了该模型在二分类和多类分类中的性能，以及神经元数目和不同的学习速率对该模型性能的影响。将基于机器学习的网络入侵检测方法，与之前研究人员提出的人工神经网络、随机森林和支持向量机等机器学习方法在云计算数据集上进行了比较[1-2]。实验结果表明，该模型提高了入侵检测的准确性，为入侵检测提供了一种新的研究方法。

1 递归神经网络

1.1 神经网络框架

循环神经网络(Recurrent Neural Networks,RNNs)方法可用于监督分类学习，神经网络RNN模型本质上是一个信息从输入单元到隐藏单元的单向信息流，将之前的时间隐藏单元到当前定时隐藏单元的单向信息流，如可以把隐藏的单元看作是整个网络的存储，记住了端到端信息。递归神经网络引入了一个方向环，它可以记住之前的信息并将其应用输出，这是与传统的模糊神经网络(Fuzzy network-FNN，FNNs)的本质区别。……