基于自适应进化神经网络算法的入侵检测

J4 ›› 2014, Vol. 36 ›› Issue (8): 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(8): 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(8): 1469-1475.

[1]	景永俊, 王浩, 邵堃, 王晓峰. 一种基于图热核扩散卷积的网络入侵检测方法[J]. 计算机工程与科学, 2025, 47(3): 459-471.
[2]	安园园, 马晓宁. 改进遗传算法与多目标优化模型的航班路径规划[J]. 计算机工程与科学, 2024, 46(9): 1660-1666.
[3]	李成冉, 方佳豪, 尹首一, 魏少军, 胡杨. 基于遗传算法的晶圆级芯片映射算法研究[J]. 计算机工程与科学, 2024, 46(6): 993-1000.
[4]	谭郁松, 王伟, 蹇松雷, 易超雄. 基于异常保持的弱监督学习网络入侵检测模型[J]. 计算机工程与科学, 2024, 46(5): 801-809.
[5]	任晟岐, 宋伟. 基于GGInformer模型的多维时间序列特征提取与预测研究[J]. 计算机工程与科学, 2024, 46(4): 590-598.
[6]	刘沛, 刘昌华, 林俏伶. 基于优化特征堆叠与集成学习的车联网入侵检测模型[J]. 计算机工程与科学, 2024, 46(12): 2186-2195.
[7]	彭频, 王欣悦. 基于匮乏理论的应急物资调度模型构建及算法研究[J]. 计算机工程与科学, 2024, 46(11): 2063-2070.
[8]	孙睿男, 初翔, 陈昱, 闫明宁. 基于混合启发式算法的快递末端选址路径优化研究[J]. 计算机工程与科学, 2024, 46(1): 159-169.
[9]	郭艺, 何廷年, 李爱斌, 毛君宇. 融合GA-CART和Deep-IRT的知识追踪模型[J]. 计算机工程与科学, 2023, 45(9): 1691-1700.
[10]	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(6): 1011-1019.
[11]	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(4): 746-752.
[12]	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(3): 447-453.
[13]	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(8): 1341-1352.
[14]	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(8): 1443-1453.
[15]	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(8): 1503-1511.