一种基于改进ART-2的入侵检测方法

指出了直接把标准ART-2网络应用于入侵检测时存在的两个问胚：对基本相似、仅有个别分量差别较大的向量不能正确分类；输入向量特征丢失。并根据入侵检测的特定应用，相应地提出在首先对输入向量进行规范化处理．然后用新引入的一种具有更严格测试准则ART-2网络对其进行处理的方法，以期提高入侵检测系统的检测率和误检率。     

一种基于改进ART-2的入侵检测方法

指出了直接把标准ART-2网络应用于入侵检测时存在的两个问题:对基本相似、仅有个别分量差别较大的向量不能正确分类;输入向量特征丢失.并根据入侵检测的特定应用,相应地提出在首先对输入向量进行规范化处理,然后用新引入的一种具有更严格测试准则ART-2网络对其进行处理的方法,以期提高入侵检测系统的检测率和误检率.     

基于ART2-PNN神经网络的网络入侵检测方法

自适应共振理论能够动态地对输入向量进行聚类,概率神经网络使用联合概率密度分布进行分类估计.给出将两者结合使用的算法,并应用到入侵检测中.测试表明,概率神经网络的函数逼近能力和网络性能得到提高,入侵检测系统的漏报率和误报率明显下降.     

自组织神经网络在入侵检测系统中的应用

论述了入侵检测系统的基本概念,分析了入侵检测系统(IDS)的关键技术及存在的问题。为了解决这些问题,本文提出了一个基于自适应共振理论ART的入侵检测系统模型,介绍了ART的几个基本概念,并将其用于构造入侵检测系统。最后通过一个实例检验了这个系统。     

基于集成神经网络技术的IDS入侵检测系统研究

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。     

ART-2神经网络的改进及建模实现

指出了传统的ART-2神经网络对渐变过程不敏感的局限性,提出了一种新的改进算法。并对ART-2网络进行建模,通过与其它建模方法的对比,详尽讨论了ART-2的建模方法及特点。最后通过应用改进算法解决了原先模型中的“模式漂移”现象,使模型性能得到了明显的改善。     

基于网络的IDS的几点改进措施

在当前的网络安全体系中，入侵检测系统（IDS）正扮演着越来越重要的角色，基于网络的DS浊入侵检测系统的一个重要分支，它具有隐蔽性好，速度快等优点，但它还具有对高流量网络处理能力不足，对入侵的反应措施不力等弱点，这弱点在很大程度上限制了它的适用范围，该文对这些弱点提出一些改进措施。     

用于模式识别的ART-2神经网络算法的改进

针对模式识别中模式有序输出的要求,对ＡＲＴ－２神经网络的算法进行了改进和调整,提出了ＡＲＴ－２神经网络的改进算法,通过对改进算法与原算法的识别试验结果进行比较,表明该改进算法对模式的有序输出是可行的和有效的。     

基于改进的遗传神经网络数据挖掘方法研究

介绍了数据挖掘的定义、功能以及数据挖掘的常用技术，研究了基于改进的遗传神经网络的数据挖掘技术,对其算法进行详细阐述，并将该方法应用于入侵检测中。研究结果表明应用效果良好，具有一定的推广价值。     

基于神经网络的网络入侵检测系统设计

把神经网络作为异常检测系统的统计分析部分的一种替代方法,用来识别系统用户的典型特征,对用户既定行为的重大变化进行鉴别。将模式匹配与人工神经网络技术结合在一起,构成一个以已知的入侵规则为基础、可扩展的动态入侵事件检测系统。自适应的进行特征提取与异常检测,实现高效的入侵检测及防御。用神经网络来过滤出接收数据当中的可疑事件,并把这种事件转交给系统作进一步的处理。这种结构可以通过减少系统的开销和IDS误报率来提高监测系统的效用。     

基于BP神经网络的入侵检测系统设计

传统的入侵检测技术在建立统计模型、规则库管理和检测性能等方面存在着缺陷和不足,影响了入侵检测系统的实际应用效果。本文提出并利用Matlab神经网络工具箱建立一个基于BP神经网络的入侵检测系统。实验结果表明,该算法在提高入侵检测系统的检测准确率、降低误报率和漏报率等方面具有一定的优越性,收敛速度较快。     

基于专家系统和神经网络的网络入侵检测系统

研究网络安全问题,网络入侵方式具有多样性和不确定性,当前大多数入侵检测系统检测正确率低,误报和漏报率高的缺陷。为了提高网络入侵检测正确率,保证网络安全,提出一种基于专家系统和神经网络的智能入侵检测系统。首先采用专家系统对已知网络入侵进行检测,然后采用神经网络对专家系统不能发现的未知网络入侵进行检测,最后利用神经网络检测结果对专家系统规则库进行更新。采用网络入侵检测数据库KDD CUP 99进行仿真,结果表明,智能入侵检测系统提高了网络入侵检测的正确率,有效降低了网络入侵的误报率和漏报率,为网络入侵提供了一种新的有效的检测工具。     

神经网络在网络入侵检测中的应用研究

研究网络安全问题,针对网络受到非法用户入侵,破坏系统的正常工作,传统网络初始权值凭经验确定,易出现初始权值确定不当,导致网络入侵检测准确率低的难题.为了提高网络入侵检测的准确率,提出一种遗传神经网络的网络入侵检测方法.方法把神经网络和遗传算法结合起来,把网络初始权值作为遗传算法的一个种群,把网络检测准确率作为遗传算法的目标函数,通过遗传算法种群的"优胜劣汰"机制搜索到神经网络算法的全局最优初始权值,采用最优权值对网络入侵数据进行检测,得到最优网络入侵检测结果.结果证明,方法学习速度快、检测准确率高、漏报率与误报率低,克服传统网络检测方法不准确的缺陷.     

基于神经网络集成的入侵检测系统

目前,较为成熟的入侵检测系统普遍存在检测率偏低、对新的入侵不够敏感等问题,影响了系统的整体性能。在深入研究的基础上,本文提出了一种基于神经网络集成的入侵检测方法。该方法采用神经网络集成分类技术,在去除冗余数据的基础上对成员网络进行训练,并通过动态的方法确定成员网络的个数,最终通过神经网络对成员网络结果进行融合,以提高系统的整体性能。理论和实验表明,该方法能在保证成员网络差异性的同时提高入侵的检测率,具有较好的应用前景。     

遗传算法优化的神经网络入侵检测系统

研究确保网络安全问题,网络入侵手段具有多样性的,针对病毒和黑客攻击,传统方法检测易出现因初始权值设置不当,导致检测速度慢、检测正确率低的难题,为了提高网络检测正确率,提出一种遗传算法来优化BP神经网络权值的网络入侵检测方法.方法首先通过遗传算法找到BP神经网络的最适合权值,而后采用优化的BP神经网络对网络入侵数据进行学习和检测.实验结果表明,与传统网络入侵检测算法相比,优化的BP神经网络提高网络入侵检测正确率,加快了网络入侵检测的速度,提高检测效率,为设计提供了依据.     

一个基于神经网络的网络入侵检测系统原型

设计了一个基于神经网络的网络入侵检测系统原型,给出了该模型的体系结构和其主要功能模块的实现方法。通过训练实验表明,把神经网络应用于入侵检测是行之有效的。     

基于神经网入侵检测研究与设计

近年来,网络的攻击变得越来越普遍,也越来越难于防范,传统的技术如防火墙难于满足目前网络安全的需要,一项新的网络安全技术—网络入侵检测技术被提出,它能很好的解决其他技术的不足,但是目前的入侵检测技术在入侵检测的准确性和可靠性上还存在问题。本文首先介绍了入侵检测中的特点,然后对神经网络做了详细的介绍,最后设计了一个基于神经网络的入侵检测系统。     

基于改进的粗糙神经网络模型的入侵检测系统研究

本文对传统的粗糙神经网络模型进行了改进,加入了具有不良信息过滤功能的隐单元,在此基础上提出了相应的网络入侵检测模型,充分发挥了粗糙集理论和神经网络的优势,弥补了各自的缺点.实验证明,在传统神经网络里加入具有不良信息过滤功能的隐单元,可以有效识别网络中的不良信息,降低神经网络系统的输入维度,提高入侵检测系统的识别效果.     

一种基于神经网络的入侵检测技术

应用神经网络技术不仅能识别已知的网络人侵行为,而且也能识别许多未知的网络入侵的变种.BP神经网络是一种成功的神经网络技术,然而,标准BP算法学习速率固定,不能根据实际情况动态改变学习速率.为了自适应当前网络学习的状况,提高网络的收敛速度,提出了一种基于综合增加动量项与自适应调节学习速率相结合的改进BP算法,可以满足入侵检测分类识别的需求.选用Kddcup 1999 Data网络连接数据集进行特征提取和预处理之后,送人神经网络进行训练和测试,得到较高的检测率和较低的误报率.实验表明,基于改进的BP神经网络的入侵检测方法是有效的.