模糊k均值算法和神經網絡算法在入侵檢測中的應用

夏淑華

湖南司法警官職業學院管理系 湖南 410131

0 引言

隨著計算機技術和網絡技術的迅速發展，黑客工具泛濫，大量的公司、企業和個人電腦遭到不同程度的入侵和破壞，給個人和企業財產帶來了嚴重損失。入侵檢測作為一種主動防御技術，已經成為網絡安全防衛的重要組成部分。入侵檢測通過對計算機網絡或計算機系統中的若干關鍵點收集信息并對其進行分析，從中發現網絡或系統中是否有違反安全策略的行為和被攻擊的跡象。隨著智能計算技術的日趨成熟，人們利用BP神經網絡、遺傳算法及各種改進算法用于入侵檢測系統的研究，開拓了一個新的入侵檢測發展方向。

1 基于模糊k均值和神經網絡的入侵檢測算法

圖1 基于模糊k均值和神經網絡的入侵檢測算法流程

BP神經網絡具有較強的自適應學習能力、非線性映射能力和泛化能力，但是BP神經網絡作為一種局部搜索的優化方法，也存在著收斂速度慢和容易陷入局部極小的問題。利用 K-means對樣本數據聚類并提取訓練集和測試集，能夠克服樣本不均和神經元個數過多的問題，盡可能滿足類中的數據近似度高，各類間數據近似度低，提高神經網絡訓練時間和訓練精度。圖1為基于模糊k均值和神經網絡的入侵檢測算法流程。

2 基于模糊k均值和神經網絡的入侵檢測算法實現

為了驗證基于模糊 k均值和神經網絡算法的性能及效率，生成一個三層結構的神經網絡，包括六個神經元的隱藏層。采用通用的入侵檢測KDD CUP 99 數據集進行實驗，對算法進行100次訓練。算法實現的部分Matlab代碼如下：

i=0;

M=[];

% while i<1 %設置一個循環用于計算5次平均誤差

%% 生成神經元網絡并訓練神經元網絡

numnue1=nuecell(clusternumb); %調用一下模糊聚類函數判斷聚類個數，計算神經網絡的神經元個數；

% net=newff(all_tra,all_bar,numnue1,{'tansig','purelin'},'trainscg');

net=newff(all_tra,all_bar,numnue1,{'tan sig','purelin'},'trainbfg'); %有彈回的BP算法,用于消除梯度模值對網絡訓練帶來的影響，提高訓練的速度

net=init(net); %初始化一個神經網絡數據

net.trainParam.goal=0.000001; %設置相應的參數

net.trainParam.show=1;

net.trainParam.mc=0.9;

net.trainParam.lr=0.5;

net.trainParam.epochs=50;

[net tr]=train(net,all_tra,all_bar);%訓練神經網絡

MSE=tr.perf;

% figure(1);

% % plot(MSE);

% % axis([0 50 0 100]);

% % title('神經網絡預測');

% % xlabel('x');

% % ylabel('y %誤差度');

% % legend('訓練集誤差曲線');

plotming(tr);

%% 運用已訓練好的網絡進行預測

an1=sim(net,all_tra); %用訓練的神經網絡得到預測結果

C=all_bar-an1; %計算與真實結果的差距

B=abs(C); %絕對值運算

A=(B>0.5); %算出預測錯誤的個數

a=sum(A);

s_n=length(A);

p=(s_n-a)/s_n; %計算百分比

M(i+1)=p; %記錄數據

i=i+1;

M_sumtrain=mean(M); %求多次預測的誤差均值

dis('')

fprintf('訓練集精度: %g%% ',M_sumtrain*100);

%%

i=0;

MSE=tr.perf;

an2=sim(net,all_test); %用訓練的神經網絡得到預測結果

C=all_theory-an2; %計算與真實結果的差距

B=abs(C); %絕對值運算

A=(B>0.5); %算出預測錯誤的個數

a=sum(A);

s_nu=length(A);

p=(s_nu-a)/s_nu; %計算百分比

M(i+1)=p; %記錄數據

i=i+1;

% end

M_sumtest=mean(M); %求多次預測的誤差均值

fprintf('測試集精度:%% ',M_sumtest*100);

通過實驗得到了如表1所示數據，其中訓練集精度為97.0928%，測試集精度為97.8777%。從測試結果來看，相比神經網絡算法，基于模糊k均值和神經網絡的組合算法識別率得到了一定程度的提高，能夠快速、準確地對各種攻擊方式進行學習訓練，從而及時有效地檢測、預報網絡攻擊。

表1 模糊k均值算法和神經網絡算法預測實驗結果

圖2 基于模糊k均值和神經網絡的入侵檢測算法均方根誤差

3 結束語

互聯網的開放性使得計算機網絡受到來自內外的攻擊與挑戰，針對網絡數據中各個字段屬性差異及其對產生入侵行為的作用不同，運用模糊k均值結合神經網絡改進算法對網絡數據建模，通過多次學習確定模型參數，從而對網絡數據進行預測。實驗表明提高了BP神經網絡的訓練速度和計算精度，算法具有較強的實用性。

[1]廖年冬.神經網絡在入侵檢測系統中的研究[D].貴州:貴州大學.2006.

[2]高新波.模糊聚類分析及其應用[M].西安:西安電子科技大學出版社.2004.

[3]唐正軍.網絡入侵檢測系統的設計與實現[M].北京:電子工業出版社.2005.

[4]楊建剛.人工神經網絡實用教程[M].浙江大學出版社.2001.

[5]郭翠英,余雪麗.基于神經網絡的入侵檢測模型[J].太原理工大學學報.2001.