分层神经网络在入侵检测系统中的应用

doi:10.3778/j.issn.1002-8331.2009.20.032

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (20): 106-107.DOI: 10.3778/j.issn.1002-8331.2009.20.032

分层神经网络在入侵检测系统中的应用

毕靖¹，张琨²

1.北京建筑工程学院理学院，北京 100044
2.河北工业大学信息工程学院，天津 300130

收稿日期:2009-03-05 修回日期:2009-04-16 出版日期:2009-07-11 发布日期:2009-07-11
通讯作者: 毕靖

Intrusion detection based on hierarchical neural network

BI Jing¹，ZHANG Kun²

1.Science School，Beijing University of Civil Engineering and Architecture，Beijing 100044，China
2.School of Information Engineering，Hebei University of Technology，Tianjin 300130，China

Received:2009-03-05 Revised:2009-04-16 Online:2009-07-11 Published:2009-07-11
Contact: BI Jing

摘要/Abstract

摘要： 入侵检测技术是提高网络安全的重要手段之一，旨在利用分层神经网络解决入侵检测问题。针对入侵检测研究的通用审计数据集，首先将数据进行预处理以便运算；其次利用RBF网络实现粗检测；再次利用Elman BP网络进行细检测，从而实现分层神经网络的入侵检测；最后在MATLAB平台下进行仿真实验，仿真结果表明，分层神经网络结构在入侵检测中体现出良好的特性。

关键词: 分层神经网络, 入侵检测, 网络安全

Abstract:
Abstract： Intrusion detection is one of important ways to improve network security，and is a main research topic in computer field.The benchmark dataset commonly used in the research of intrusion detection is adopted.Firstly，data are changed into the appropriate type for simulations；Secondly RBF network is used for raw detection；Thirdly Elman BP network is used for advanced detection；Lastly a lot of simulation results are gained from MATLAB platform，and display that hierarchical network is fit for intrusion detection.

Key words: hierarchical network, intrusion detection, network security

毕靖¹，张琨². 分层神经网络在入侵检测系统中的应用[J]. 计算机工程与应用, 2009, 45(20): 106-107.

BI Jing¹，ZHANG Kun². Intrusion detection based on hierarchical neural network[J]. Computer Engineering and Applications, 2009, 45(20): 106-107.

[1]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[2]	曹磊，李占斌，杨永胜，赵龙飞. 基于双层注意力神经网络的入侵检测方法[J]. 计算机工程与应用, 2021, 57(19): 142-149.
[3]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[4]	巩俊辉，胡晓辉，杜永文. 基于演化博弈的最优防御策略选取研究[J]. 计算机工程与应用, 2021, 57(13): 116-123.
[5]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[6]	陈虹，王闰婷，肖成龙，郭鹏飞，黄洁，陈红霖. 基于DBN-XGBDT的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(22): 83-91.
[7]	狄冲，李桐. 网络未知攻击检测的深度学习方法[J]. 计算机工程与应用, 2020, 56(22): 109-116.
[8]	汪盼，宋雪桦，王昌达，陈锋，徐夏强，蔡冠宇. 基于改进的深度信念网络的入侵检测方法[J]. 计算机工程与应用, 2020, 56(20): 87-92.
[9]	彭春燕，杜秀娟. 水声传感器网络基于深度信息的安全路由协议[J]. 计算机工程与应用, 2020, 56(2): 76-81.
[10]	芶继军，李均华，陈晨，陈一鸣，吕奕达. 基于随机森林的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(2): 82-88.
[11]	陈虹，赵建智，肖成龙，陈建虎，肖越. 改进ADASYN-SDA的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(2): 97-105.
[12]	周龙，王晨，史崯. 基于RNN的Webshell检测研究[J]. 计算机工程与应用, 2020, 56(14): 88-92.
[13]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[14]	吴德鹏，柳毅. 基于可变网络结构自组织映射的入侵检测模型[J]. 计算机工程与应用, 2020, 56(12): 81-86.
[15]	刘月峰1，王成1，张亚斌1，苑江浩2. 用于网络入侵检测的多尺度卷积CNN模型[J]. 计算机工程与应用, 2019, 55(3): 90-95.

分层神经网络在入侵检测系统中的应用

Intrusion detection based on hierarchical neural network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics