模糊k均值算法和神經網絡算法在入侵檢測中的應用

夏淑華

湖南司法警官職業(yè)學院管理系 湖南 410131

0 引言

隨著計算機技術和網絡技術的迅速發(fā)展，黑客工具泛濫，大量的公司、企業(yè)和個人電腦遭到不同程度的入侵和破壞，給個人和企業(yè)財產帶來了嚴重損失。入侵檢測作為一種主動防御技術，已經成為網絡安全防衛(wèi)的重要組成部分。入侵檢測通過對計算機網絡或計算機系統(tǒng)中的若干關鍵點收集信息并對其進行分析，從中發(fā)現(xiàn)網絡或系統(tǒng)中是否有違反安全策略的行為和被攻擊的跡象。隨著智能計算技術的日趨成熟，人們利用BP神經網絡、遺傳算法及各種改進算法用于入侵檢測系統(tǒng)的研究，開拓了一個新的入侵檢測發(fā)展方向。

1 基于模糊k均值和神經網絡的入侵檢測算法

圖1 基于模糊k均值和神經網絡的入侵檢測算法流程

BP神經網絡具有較強的自適應學習能力、非線性映射能力和泛化能力，但是BP神經網絡作為一種局部搜索的優(yōu)化方法，也存在著收斂速度慢和容易陷入局部極小的問題。利用 K-means對樣本數據聚類并提取訓練集和測試集，能夠克服樣本不均和神經元個數過多的問題，盡可能滿足類中的數據近似度高，各類間數據近似度低，提高神經網絡訓練時間和訓練精度。圖1為基于模糊k均值和神經網絡的入侵檢測算法流程。

2 基于模糊k均值和神經網絡的入侵檢測算法實現(xiàn)

為了驗證基于模糊 k均值和神經網絡算法的性能及效率，生成一個三層結構的神經網絡，包括六個神經元的隱藏層。采用通用的入侵檢測KDD CUP 99 數據集進行實驗，對算法進行100次訓練。算法實現(xiàn)的部分Matlab代碼如下：

i=0;

M=[];

% while i<1 %設置一個循環(huán)用于計算5次平均誤差

%% 生成神經元網絡并訓練神經元網絡

numnue1=nuecell(clusternumb); %調用一下模糊聚類函數判斷聚類個數，計算神經網絡的神經元個數；

% net=newff(all_tra,all_bar,numnue1,{'tansig','purelin'},'trainscg');

net=newff(all_tra,all_bar,numnue1,{'tan sig','purelin'},'trainbfg'); %有彈回的BP算法,用于消除梯度模值對網絡訓練帶來的影響，提高訓練的速度

net=init(net); %初始化一個神經網絡數據

net.trainParam.goal=0.000001; %設置相應的參數

net.trainParam.show=1;

net.trainParam.mc=0.9;

net.trainParam.lr=0.5;

net.trainParam.epochs=50;

[net tr]=train(net,all_tra,all_bar);%訓練神經網絡

MSE=tr.perf;

% figure(1);

% % plot(MSE);

% % axis([0 50 0 100]);

% % title('神經網絡預測');

% % xlabel('x');

% % ylabel('y %誤差度');

% % legend('訓練集誤差曲線');

plotming(tr);

%% 運用已訓練好的網絡進行預測

an1=sim(net,all_tra); %用訓練的神經網絡得到預測結果

C=all_bar-an1; %計算與真實結果的差距

B=abs(C); %絕對值運算

A=(B>0.5); %算出預測錯誤的個數

a=sum(A);

s_n=length(A);

p=(s_n-a)/s_n; %計算百分比

M(i+1)=p; %記錄數據

i=i+1;

M_sumtrain=mean(M); %求多次預測的誤差均值

dis('')

fprintf('訓練集精度: %g%% ',M_sumtrain*100);

%%

i=0;

MSE=tr.perf;

an2=sim(net,all_test); %用訓練的神經網絡得到預測結果

C=all_theory-an2; %計算與真實結果的差距

B=abs(C); %絕對值運算

A=(B>0.5); %算出預測錯誤的個數

a=sum(A);

s_nu=length(A);

p=(s_nu-a)/s_nu; %計算百分比

M(i+1)=p; %記錄數據

i=i+1;

% end

M_sumtest=mean(M); %求多次預測的誤差均值

fprintf('測試集精度:%% ',M_sumtest*100);

通過實驗得到了如表1所示數據，其中訓練集精度為97.0928%，測試集精度為97.8777%。從測試結果來看，相比神經網絡算法，基于模糊k均值和神經網絡的組合算法識別率得到了一定程度的提高，能夠快速、準確地對各種攻擊方式進行學習訓練，從而及時有效地檢測、預報網絡攻擊。

表1 模糊k均值算法和神經網絡算法預測實驗結果

圖2 基于模糊k均值和神經網絡的入侵檢測算法均方根誤差

3 結束語

互聯(lián)網的開放性使得計算機網絡受到來自內外的攻擊與挑戰(zhàn)，針對網絡數據中各個字段屬性差異及其對產生入侵行為的作用不同，運用模糊k均值結合神經網絡改進算法對網絡數據建模，通過多次學習確定模型參數，從而對網絡數據進行預測。實驗表明提高了BP神經網絡的訓練速度和計算精度，算法具有較強的實用性。

[1]廖年冬.神經網絡在入侵檢測系統(tǒng)中的研究[D].貴州:貴州大學.2006.

[2]高新波.模糊聚類分析及其應用[M].西安:西安電子科技大學出版社.2004.

[3]唐正軍.網絡入侵檢測系統(tǒng)的設計與實現(xiàn)[M].北京:電子工業(yè)出版社.2005.

[4]楊建剛.人工神經網絡實用教程[M].浙江大學出版社.2001.

[5]郭翠英,余雪麗.基于神經網絡的入侵檢測模型[J].太原理工大學學報.2001.