网络入侵检测算法的设计与优化

２００７年第３期　安徽电子信息职业技术学院学报　Ｎｏ．３　２００７　

鲞（！营＿、第３０期）ＪＯＵＲＮＡＬＯＦ　ＡＮＨＵＩ　ＶＯＣＡＴＩＯＮＡＬ　ＣＯＬＬＥＧＥ　ＯＦ　ＥＬＥＣＴＲＯＮＩＣＳ＆ＩＮＦＯＲＭＡＴＩＯＮ　ＴＥＣＨＮＯＬＯＧＹ　Ｇｅｎｅｒａｌ　Ｎｏ．３０　Ｖｏ１．６　

【文章编号】１６７１—８０２Ｘ（２００７）０３—００７１—０２　

网络入侵检测系统的并行体系结构及算法研究　

马长安　

（宁波大红鹰职业技术学院计算机系，　浙江　宁波３１５１７５）　

［摘要】本文概括高性能网络入侵检测技术研究发展状况，提出了一个基于并行计算的网络入侵检测系￣（ＰＮＩＤＳ），并给　

出相应的高性能算法。最后构建了ＰＮＩＤＳ实验原型系统，通过有关网络入侵检测实验，表明ＰＬＡＩＤＳ能利用集群计算的优点降　

低ＮＩＤＳ漏警率。　

［关键词］ＰＮＩＤＳ；高性能算法；原型系统　

［中图分类号］ＴＰ３９３．０６　［文献标识码］Ｂ　

１引言　

随着当前高速网络技术的发展及网络规模的扩大，产生　

的新问题是ＮＩＤＳ计算量大、漏警率高。传统的ＮＩＤＳ的检测　

方法是将每一个网络包与特征模式库逐条进行匹配，这种方　

法对于低速网络、攻击模式库小的情况来说，还是比较有效。　

但在高速网络环境、攻击模式库大及特殊攻击场景下，传统　

ＮＩＤＳ的处理速度存在很大的瓶颈，造成网络包的处理效率　

大大下降和过高的漏报率。　

鉴于这种情况，本文探索利用集群计算技术解决高速网　３　ＰＮＩＤＳ节点并行处理算法及优化设计　

在ＰＮＩＤＳ体系结构中，我们还需要设计相应并行处理算　

法，即检测节点选取网络包算法。该算法的基本步骤是：　

Ｓｔｅｐｌ：将ＰＮＩＤＳ中的并行检测节点从０到ｎ一１编号。　

Ｓｔｅｐ２：Ｈｕｂ广播网络包到各ＰＮＩＤＳ检测节点。　

Ｓｔｅｐ３：各检测节点根据网络包的信息进行Ｈａｓｈ运算得　

到０…ｎ一１个数字。　

Ｓｔｅｐ４：若检测节点编号与ＨＡＳＨ运算结果相同，负责处　

理对应的网络包。

基于LSTM网络的网络入侵检测模型

网络入侵是指黑客通过攻击网络系统，获取非法权限，窃取、破坏或篡改数据信息的行为。在当前互联网环境下，网络安全问题日益严峻，迫切需要有效的入侵检测手段来保护网络系统的安全性和完整性。本文将介绍一种基于LSTM（长短时记忆）网络的网络入侵检测模型，该模型通过深度学习方法对网络入侵进行准确的监测和识别。

一、背景介绍

网络入侵检测是网络安全领域的关键问题之一。传统的入侵检测方法通常基于特征工程和机器学习算法，需要人工提取和选择特征，存在着特征选择困难和特征变化的问题。相比之下，深度学习作为一种端到端的学习算法，可以自动学习输入数据的特征表示，具有较高的泛化能力。因此，基于深度学习的网络入侵检测模型备受关注。

二、LSTM网络简介

LSTM是一种循环神经网络（RNN）的变体，能够有效地处理序列数据，并具有记忆功能。相比于传统的RNN模型，LSTM通过引入三个门控单元（输入门、遗忘门、输出门）来控制信息的传递和遗忘，解决了长序列训练中的梯度消失和梯度爆炸问题。这使得LSTM网络具有较好的记忆能力，适合处理具有时间序列性质的网络流量数据。

三、基于LSTM的网络入侵检测模型

基于LSTM的网络入侵检测模型主要由以下几个组成部分构成： 1. 数据预处理

首先，需要对网络流量数据进行适当的预处理。这包括数据清洗、特征提取和归一化等步骤。数据清洗用于去除异常值和噪声，特征提取则是提取网络流量数据中的有用信息，例如源IP地址、目的IP地址、端口号等。归一化是将不同特征的取值范围映射到统一的范围，以避免某些特征对模型训练的影响过大。

2. LSTM网络模型构建

接下来，在数据预处理完毕后，可以构建基于LSTM的网络入侵检测模型。模型的输入是经过预处理后的网络流量数据，通过LSTM层对数据进行特征学习和表示。为了提高模型的性能，可以在LSTM层之后添加一些其他的层，例如卷积层或全连接层，以进一步提取和组合特征。

第３３卷第４期　长春工业大学学报（自然科学版）　ｃｈｕｎ　Ｕｎｉｖｅｒｓｉｔｖ　ｏｆ　Ｔｅｃｈｎｏｌｏ￣ｙ（Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ）　ＶｏＬ　３３　Ｎｏ．４　ＡＵｆｆ．２０１２　

基于优化神经网络的人侵检测方法　

马　珏　

（江苏广播电视大学，江苏南京２１００３６）　

摘　要：首先将网络状态特征参数作为神经网络算法的个体，检测正确率作为适应度函数。　通过遗传算法的选择、交叉和变异等操作对网络状态特征参数进行优化，引入一种新型的能量　

函数形式以解决收敛速度慢、目标函数局部极小问题。实验表明，该方法能够快速获得最优网　

络状态特征和分类器参数，提高网络入侵检测正确率。　关键词：网络入侵；特征选择；神经网络　中图分类号：ＴＰ　３９３　文献标志码：Ａ　文章编号：１６７４—１３７４（２０１２）０４—０４４７—０４　

Ｏｐｔｉｍｉｚｅｄ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｂａｓｅｄ　ｉｎｔｒｕｓｉｏｎ　ｄｅｔｅｃｔｉｏｎ　ｍｅｔｈｏｄ　

ＭＡ　Ｊｕｅ　

（Ｊｉａｎｇｓｕ　Ｒａｄｉｏ　ａｎｄ　Ｔｅｌｅｖｉｓｉｏｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ　２１００３６，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｎｅｔｗｏｒｋ　ｓｔａｔｅ　ｐａｒａｍｅｔｅｒｓ　ａｒｅ　ｔａｋｅｎ　ａｓ　ｔｈｅ　ｃｅｌｌ　ｏｆ　ｔｈｅ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｌｇｏｒｉｔｈｍ，ａｎｄ　ｔｈｅ　

ｄｅｔｅｃｔｉｏｎ　ａｃｃｕｒａｃｙ　ａｓ　ｆｉｔｎｅｓｓ　ｆｕｎｃｔｉｏｎ．Ｔｈｒｏｕｇｈ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ｓｅｌｅｃｔｉｏｎ，ｃｒｏｓｓｏｖｅｒ　ａｎｄ　ｍｕｔａｔｉｏｎ　ｏｐｅｒａｔｉｏｎ，ｗｅ　ｉｎｔｒｏｄｕｃｅ　ａ　ｎｅｗ　ｅｎｅｒｇｙ　ｆｕｎｃｔｉｏｎ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｃｏｎｖｅｒｇｅｎｃｅ　ｓｐｅｅｄ　ａｎｄ　ｓｏｌｖｅ　ｔｈｅ　ｌｏｃａｌ　ｍｉｎｉｍｕｍ　ｐｒｏｂｌｅｍ　ｏｆ　ｔｈｅ　ｏｂｊ　ｅｃｔ　ｆｕｎｃｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｃａｎ　ｏｐｔｉｍｉｚｅ　ｔｈｅ　ｎｅｕｒａｌ　

基于神经网络的入侵检测技术

摘要:随着计算机的普及和Internet的迅速发展,计算机系统和网络安全的漏洞问题不断暴露出来,网络恶意攻击事件不断发生,网络安全问题日益严重,因此,网络安全技术逐渐受到人们的重视。

关键词:网络安全 入侵检测技术 神经网络算法

1 网络安全概述

1.1 网络安全

通俗来讲,网络安全就是指网络上的信息安全。详细来说,网络安全是指网络系统的硬件、软件及其系统中的数据受到保护,在偶然的或者恶意的因素影响下不遭受破坏、更改和泄露,保证系统连续正常可靠地运行,保证网络服务不中断。网络安全的研究领域包括网络上信息的保密性、完整性、可用性、真实性和可控性的相关技术和理论。网络安全技术非常复杂,集成了多种安全技术和设备。

1.2 影响网络安全的因素

网络安全是保护用户信息安全的基础,一些黑客利用网络上的漏洞,非法进入未被授权的目标计算机,对目标计算机内部网络和数据资源进行访问或者破坏、删除、复制计算机内部的数据信息;有些非法访问者登陆未被授权的计算机窃取计算机信息,从而获取机密文件或者非法获取密码;非法入侵者利用非法手段获取未被授权的权限入侵网络,同时利用这些网络上的漏洞传播病毒、泄露信息、致使网络瘫痪等网络安全问题的发生;总结来说,黑客入侵、窃取信息、计算机病毒、网络管理漏洞是影响网络安全的三个主要因素。

2 基于神经网络算法的入侵检测技术

2.1 常用网络安全技术

网络安全技术的使用可以保证信息的安全、建立起一套完整的网络防御体系,保护系统中的数据不被篡改,保证系统连续正常可靠地运行,保证网络服务不中断。目前,防火墙技术、认证技术入、侵检测技术和数据加密技术等是常用的几种网络安全技术。

2.2 基于神经网络算法的入侵检测技术

(1)入侵检测技术

入侵检测技术是用来发现入侵行为,防止网络攻击的技术,在一定程度上保证了网络的安全。入侵检测主要通过对计算机系统或者网络中的一些关键点收集信息并然后分析这些关键点,从而发现系统或网络中的违反安全策略的行为和被攻击的迹象。入侵检测可以对内部入侵、外部入侵和误操作实时保护,在网络系统受到危害之前拦截入侵,可以说是一种积极主动的安全防护技术。入侵检测可以监测并分析用户和系统的活动;评估系统关键资源和数据文件的完整性;核查系统配置和漏洞;识别已经知道的攻击行为;分析统计异常的行为;操作系统日志管理,并识别违反安全策略的用户活动;当发现入侵时系统能够及时作出响应,切断网络连接、记录事件和报警等。