基于自适应进化神经网络算法的入侵检测

J4 ›› 2014, Vol. 36 ›› Issue (08): 1469-1475.

基于自适应进化神经网络算法的入侵检测

杨宏宇,赵明瑞,谢丽霞

（中国民航大学计算机科学与技术学院,天津 300300）

收稿日期:2012-12-30 修回日期:2013-04-06 出版日期:2014-08-25 发布日期:2014-04-03
基金资助:
国家自然科学基金资助项目(60776807,61179045)；国家863计划资助项目(2006AA12A106)；天津市科技计划重点项目(09JCZDJC16800)；中国民航科技基金(MHRD201009,MHRD201205)；中央高校基本科研业务费专项(ZXH2009A006)

Intrusion detection based on the adaptive
evolutionary neural network algorithm

YANG Hongyu,ZHAO Mingrui,XIE Lixia

(School of Computer Science and Technology,Civil Aviation University of China,Tianjin 300300,China)

Received:2012-12-30 Revised:2013-04-06 Online:2014-08-25 Published:2014-04-03

摘要/Abstract

摘要：

针对目前多数入侵检测系统的低检测率问题，提出一种自适应进化神经网络算法AENNA。基于遗传算法和BP神经网络算法，利用模拟退火算法的概率突跳和局部搜索强的特性对遗传算法进行改进，采用双种群策略的遗传进化规则实现BP神经网络权值和结构的双重优化；通过对遗传算法的交叉算子与变异算子的改进，设计一种自适应的神经网络训练方法。实验结果表明，基于AENNA的入侵检测方法能够有效提高系统的检测率并降低误报率。

关键词: 遗传算法, 神经网络算法, 模拟退火算法, 入侵检测

Abstract:

Aiming at the problem of low detection rate existed in current intrusion detection systems,an adaptive evolutionary neural network algorithm (AENNA) based on the genetic algorithm and the BP algorithm is proposed.Firstly,considering the characteristic of probabilistic jumping property and local search ability in the simulated annealing algorithm,the genetic algorithm is improved.Secondly, using the dual population evolution rule,the algorithm optimizes the weight and the network structure of the BP neural network simultaneously.An adaptive neural network training method is designed through improving the crossover operator and mutation operator of the genetic algorithm.Experimental results show that the AENNA based intrusion detection method can effectively improve the detection rate and reduce the false positive rate.

Key words: genetic algorithm;neural network;simulated annealing algorithm;intrusion detection

杨宏宇,赵明瑞,谢丽霞. 基于自适应进化神经网络算法的入侵检测[J]. J4, 2014, 36(08): 1469-1475.

YANG Hongyu,ZHAO Mingrui,XIE Lixia. Intrusion detection based on the adaptive
evolutionary neural network algorithm [J]. J4, 2014, 36(08): 1469-1475.

参考文献［13］

［1］	Qing Sihan, Jiang Jianchun, Ma Hengtai, et al. Research on intrusion detection techniques:A survey［J］. Journal of China Institute of Communications, 2004, 25(7):1929. (in Chinese)
［2］	Wang Qian,Chen Bing.Intrusion detection system using CVM algorithm with extensive kernel methods［J］. Journal of Computer Research and Development, 2012,49(5):974982. (in Chinese)
［3］	Wang Tao.Association decision based multiple source network intrusion detection algorithm［J］. Computer Simulation, 2012, 29 (8):120122. (in Chinese)
［4］	Gong Xingchao, Guan Xin. Intrusion detection model based on the improved neural network and expert system［C］∥Proc of IEEE Symposium on Electrical & Electronics Engineering, 2012:191193.
［5］	Srinivas M, Andrew H. A comparative study of techniques for intrusion detection［C］∥Proc of the 23rd IEEE International Conference on Tools with Artificial Intelligence, 2009:570577.
［6］	Ren Ziwu, San Ye. Improved adaptive genetic algorithm and its application research in parameter identification［J］. Journal of System Simulation, 2006,18(1):4166. (in Chinese)
［7］	Huang Lijun, Xu Yonghua. Solving TSP converged on genetic algorithm and the ant algorithm［J］. Journal of Northeast Agricultural University, 2008,39(4):109113. (in Chinese)
［8］	Li Shuhui, Ma Li, Xu Xuezhou. Intrusion detection techniques research based on genetic neural networks ［J］. Modern Electronic Technique,2005(5):7880.(in Chinese)
［9］	Yan Yan.A new adaptive genetic algorithm［D］. Harbin:Harbin Engineering University, 2007. (in Chinese)
［10］	Yang Weibo,Zhao Yanwei.Improved simulated annealing algorithm for TSP ［J］. Computer Engineering and Applications, 2010,46(15):3436. (in Chinese)
［11］	Li Shuhui. Improved evolutionary neural network algorithm and its applications in intrusion detection［J］. Modern Electronic Technique, 2010, 33(1):7880. (in Chinese)
［12］	Zhang Xinyou, Zeng Huacan, Jia Lei. Research of intrusion detection system datasetKDD CUP99［J］. Computer Engineering & Design, 2010,31(2):48094813. (in Chinese)
［13］	Xu Yonghua, Li Guangshui. Incremental SVM intrusion detection algorithm based on distance weighted template reduction and attribute information entropyc ［J］. Computer Science, 2012, 39(12):7678. (in Chinese)
	附中文参考文献：
［1］	卿斯汉, 蒋建春, 马恒太,等. 入侵检测技术研究综述［J］. 通信学报, 2004, 25(7):1929.
［2］	王奇安, 陈兵. 基于广泛内核的CVM算法的入侵检测［J］. 计算机研究与发展, 2012, 49(5):974982.
［3］	王涛. 基于关联决策算法的网络多源入侵检测［J］. 计算机仿真, 2012, 29(8):120122.
［6］	任子武, 伞冶. 自适应遗传算法的改进及在系统辨识中应用研究［J］. 系统仿真学报, 2006,18(1):4166.
［7］	黄立君, 许永花. 遗传算法和蚁群算法融合求解TSP［J］. 东北农业大学学报, 2008,39(4):109113.
［8］	李淑慧, 马力, 徐学洲. 基于遗传神经网络的入侵检测方法研究［J］. 现代电子技术,2005(5):7880.
［9］	闫妍. 一种新的自适应遗传算法［D］. 哈尔滨:哈尔滨工业大学, 2007.
［10］	杨卫波, 赵燕伟. 求解TSP问题的改进模拟退火算法［J］. 计算机工程与应用, 2010,46(15):3436.
［11］	李淑慧. 改进进化神经网络算法及其在入侵检测中的应用［J］. 现代电子技术,2010,33(1):7880.
［12］	张新有, 曾华粲, 贾磊. 入侵检测数据集KDD CUP99研究［J］. 计算机工程与设计,2010,31(2):48094813.
［13］	徐永华, 李广水. 基于距离加权模板约简和属性信息熵的增量SVM入侵检测算法［J］. 计算机科学, 2012,39(12):7678.

[1]	陈俊彦, 卢贤涛, 黄雪锋, 卢小烨, 廖岑卉珊. 基于Double-Bagging特征降维异质集成入侵检测[J]. 计算机工程与科学, 2023, 45(06): 1011-1019.
[2]	赵炳巍, 贾峰, 曹岩, 孙瑜, 刘一鸿. 基于模拟退火算法的人工势场法路径规划研究[J]. 计算机工程与科学, 2022, 44(04): 746-752.
[3]	刘云, 郑文凤, 张轶. 代价约束算法对入侵检测特征提取的优化研究[J]. 计算机工程与科学, 2022, 44(03): 447-453.
[4]	毛媛媛, 石恩雅, 蒋从锋, 仇烨亮, 贾刚勇, 万健, 闫龙川. 基于遗传算法的数据中心能效仿真[J]. 计算机工程与科学, 2021, 43(08): 1341-1352.
[5]	胡新荣, 刘嘉文, 刘军平, 彭涛, 何儒汉, . 基于改进GA-BP-MC神经网络的人体三维尺寸预测[J]. 计算机工程与科学, 2021, 43(08): 1443-1453.
[6]	李静, 莫思敏 . 基于改进遗传算法的深度神经网络优化研究[J]. 计算机工程与科学, 2021, 43(08): 1503-1511.
[7]	袁也, 王刚, 刘晓光, 李雨森. 新型电路版图布局布线算法设计[J]. 计算机工程与科学, 2021, 43(07): 1185-1191.
[8]	李晶晶, 许少华. 基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用[J]. 计算机工程与科学, 2021, 43(04): 746-752.
[9]	季子豪, 江凌云. 一种基于遗传算法的多站点协同计算卸载算法[J]. 计算机工程与科学, 2021, 43(03): 426-434.
[10]	贾俊杰, 秦海涛. 基于遗传算法的动态轨迹匿名算法[J]. 计算机工程与科学, 2021, 43(01): 142-150.
[11]	李丹莲, 曹倩, 徐菲. 基于改进遗传算法的连锁便利店配送路径优化[J]. 计算机工程与科学, 2020, 42(11): 2096-2102.
[12]	陈旺虎，田真，张礼智，梁小燕，高雅琼. 基于插值的高维稀疏数据离群点检测方法[J]. 计算机工程与科学, 2020, 42(06): 966-972.
[13]	朱世松，巴梦龙，王辉，申自浩. 基于NBSR模型的入侵检测技术[J]. 计算机工程与科学, 2020, 42(03): 427-433.
[14]	王硕禾1，刘旭1，李苏晨1，张国驹2. 基于多目标遗传算法的LoRa参数匹配优化[J]. 计算机工程与科学, 2020, 42(03): 434-440.
[15]	马晗，常安定，陈童，李江杰. 基于文化混合优化算法的旅行商问题求解[J]. 计算机工程与科学, 2019, 41(07): 1273-1278.