智能入侵检测系统的研究及其应用

论文摘要

随着攻击手段的复杂化和多样化,传统的入侵检测方法己不能满足安全需求,智能入侵检测已逐渐成为入侵检测乃至整个网络安全领域的研究重点之一。本文采用神经网络模型来实现系统的智能化检测。同时为了加快神经网络的学习收敛速度,引入了能够对大量数据进行有效的属性约简的粗糙集理论,并将这两种技术融合,从而设计实现了一个新的智能入侵检测系统R_NNIDS。实验测试表明,本系统能够完成基本的入侵检测,有一定的实用性;能够完成从数据发现新的规则,有一定的智能性。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 论文的选题背景及意义
• 1.1.1 网络安全
• 1.1.2 入侵检测系统
• 1.2 本文的主要工作
• 1.3 小结
• 第二章 入侵检测系统概述
• 2.1 什么是入侵检测系统
• 2.1.1 入侵检测的重要性及其发展历史
• 2.1.2 入侵检测的概念、通用模型及框架
• 2.1.3 入侵检测系统的分类
• 2.2 入侵检测技术研究
• 2.3 入侵检测系统的主要发展方向
• 2.4 小结
• 第三章 基于神经网络的智能入侵检测系统
• 3.1 神经网络概述
• 3.2 神经元模型
• 3.3 神经网络学习规则
• 3.4 前馈人工神经网络与BP学习算法
• 3.4.1 前馈人工神经网络
• 3.4.2 BP学习算法
• 3.4.2.1 网络误差与权值调整
• 3.4.2.2 BP学习算法权值调整计算公式
• 3.4.3 前馈人工神经网络的特点
• 3.5 基于神经网络的入侵检测模型
• 3.6 小结
• 第四章 智能入侵检测系统的总体设计
• NNIDS系统的可行性'>4.1 R_NNIDS系统的可行性
• NNIDS系统的设计目标'>4.2 R_NNIDS系统的设计目标
• NNIDS系统的总体结构设计'>4.3 R_NNIDS系统的总体结构设计
• NNIDS的主要技术特点'>4.4 R_NNIDS的主要技术特点
• 4.5 小结
• 第五章 智能入侵检测系统的设计与实现
• 5.1 数据采集模块的设计与实现
• 5.1.1 局部网络工作原理
• 5.1.2 Windows下网络监听的实现原理
• 5.1.3 Winpcap的体系结构
• 5.1.4 程序中采用的主要函数
• 5.1.5 模块具体设计
• 5.2 预处理模块设计与实现
• 5.2.1 预处理模块支持的协议
• 5.2.2 模块具体设计
• 5.3 二进制转换模块的设计与实现
• 5.3.1 数据包编码模块
• 5.3.2 入侵规则语句的编码
• 5.3.3 二进制编码模块的设计
• 5.4 综合分类器模块设计与实现
• 5.4.1 分类器结构的初始设计
• 5.4.2 基于粗糙集理论的结构优化
• 5.4.2.1 粗糙集理论
• 5.4.2.2 基于区分矩阵的属性约简算法
• 5.4.2.3 基础分类器的结构优化
• 5.4.3 分类器的学习
• 5.4.4 模块的实现中使用的Matlab函数
• 5.4.4.1 建立BP神经网络使用的函数
• 5.4.4.2 在VC++中调用Matlab引擎使用的函数
• 5.4.5 模块的具体设计
• 5.4.5.1 粗糙集约简算法
• 5.4.5.2 IP基础分类器训练算法
• 5.4.5.3 主要的接口函数和成员变量
• 5.5 响应模块的设计与实现
• 5.5.1 常用响应技术
• 5.5.2 系统中的响应措施
• 5.5.3 模块的具体设计
• 5.6 小结
• 第六章 智能入侵检测系统的性能测试
• 6.1 性能测试环境
• 6.2 分类器优化和学习
• 6.3 入侵检测系统的性能测试
• 6.4 小结
• 第七章 结束语
• 7.1 本文做出的主要工作
• 7.2 进一步的工作
• 参考文献
• 致谢
• 在学期间发表论文和参加科研情况