基于云计算平台的网络入侵检测算法研究与实现.docVIP

基于云计算平台的网络入侵检测算法研究与实现 　　摘 要： 利用并行化思想，在现有入侵检测算法GA遗传算法和BP神经算法的基础上，提出基于云计算平台的网络入侵检测算法MR GA?BP均值法算法，并对算法原理进行描述、建立、设计，系统能够针对海量入侵的检测数据进行实时学习和检测，对比传统入侵检测系统，在效率和精度上有了较大提高，通过两组对比实验，证明了该优化算法MR GA?BP均值法算法在入侵检测系统中的可行性以及性能优势。 　　关键词： 云计算； 入侵检测系统； MR GA?BP均值法； Hadoop 　　中图分类号： TN915.08?34； TM417 文献标识码： A 文章编号： 1004?373X（2016）19?0076?04 　　Abstract： On the basis of paralell thought， genetic algorithm （GA） and BP algorithm for intrusion detection， a mean value algorithm of network intrusion detection algorithm （MR GA?BP） based on cloud computing platform is proposed. The principle of the algorithm is described， established and designed. The system can learn and detect the massive intrusion detection data in real time. In comparison with the traditional intrusion detection system， the efficiency and accuracy of the system have been improved a lot. The feasibility and performance advantage of MR GA?BP mean value algorithm in intrusion detection system were verified in the experiment of contrast between the two groups. 　　Keywords： cloud computing； intrusion detection system； MR GA?BP mean value algorithm； Hadoop 　　0 引 言 　　传统的入侵检测系统已经远远不能满足当今海量数据的要求，在检测精度、效率、准确率等方面都存在局限和瓶颈。未来入侵检测的发展应该在较短的时间内，有更高效的检测效率和在效率提升的基础上增加服务的质量[1]。 　　利用云环境下的节点进行入侵检测事件的采集，然后将采集的数据源上传到云端进行入侵检测分析，这样可以大大地提高处理事件的效率并及时作出预警[2]。如果能将传统的入侵检测算法例如BP神经算法，采纳并行化思想，将它布置到云环境中，进行分布式处理数据源，并且进行分布式入侵检测，那么上述的难题就可以解决，不仅扩大了云计算在当代的应用领域，也能让传统的入侵检测算法性能提升到另一个高度，也能够让入侵检测的发展上升一个台阶[3]。 　　1 网络入侵检测算法建立 　　1.1 MR GA?BP算法的网络拓扑结构 　　BP神经网络是由网络层数、节点个数、激活函数、初始权值系数、学习算法、系统误差确定的，确定这些需要遵循如下原则： 　　（1） 隐含层数的选择。根据先前的经验，优先考虑3层BP神经网络，分别为一个输出层，一个输入层，一个隐含层[4]。 　　（2）每层节点数的确定。隐含层和很多因素有关，例如样本数据的特点和转换函数的形式、输入与输出节点数都有关系。 　　（3） 初始权值系数的确定。初始权值是在一定范畴的数随机生成的，一般情况下，初始权值分布在0～1之间。本文利用random随机生成。 　　（4） 算法的确定。 　　（5） 结束条件。种群个体数量的确定：当种群个体数量较少时，尽管可能使GA算法的运算速度有所提升，然而种群个体的多样性会降低很多；当种群数量较多时，算法的运行效率又会降低，按照前人研究，一般取20～500个；编码方式：实数编码；适应度函数：使用BP神经算法求出每一个样本，运行后的一切样本的误差平方和的倒数设定为适应度函数；选择算子：赌盘法；交叉算子：实数编码；变异算子：本文取值为0.05。 　　系统是应用遗传算法进行BP神经网络权值的优化，所以只控制其进化的次数，当进化次数达到最大时终止[5]。