【技术实现步骤摘要】
本专利技术属于网络入侵检测领域，具体涉及bp神经网络的入侵检测方法。
技术介绍
1、针对越来越严峻的网络安全问题，仅仅依靠网络防火墙、用户认证系统等的被动防御技术已不能完全解决网络与信息的安全问题。入侵检测技术作为一种主动防御技术，能够对网络中的计算机、网络行为进行持续监控，不仅监控来自网络外部的恶意行为，而且对网络系统内部的未授权行为和恶意行为进行检测。入侵检测技术是通过一定的技术手段收集网络日志，监听网络通信，并对这些日志、数据包分析，从而检测网络中是否存在可能破坏网络通信的恶意行为。
2、人工智能领域的神经网络算法因其具有自适应、自学习、自组织、泛化能力强以及能够进行大规模并行计算和非线性映射等优点，因而非常适合当前越来越复杂多变的入侵检测环境。bp神经网络是目前使用最广泛的神经网络模型之一。然而传统的bp神经网络因初始参数的随机选择易导致陷入局部最小值、收敛速度慢的问题，从而使得在使用bp神经网络进行入侵检测时的检测正确率不理想、漏报率和误报率偏高。
技术实现思路
1、本专利技术提供了一种基于蜣螂优化算法的bp神经网络入侵检测方法，以解决bp神经网络进行入侵检测时的检测正确率不理想、漏报率和误报率偏高的技术问题。
2、为达到上述目的，本专利技术所采用的技术方案是：
3、本专利技术第一方面提供了一种基于蜣螂优化算法的bp神经网络入侵检测方法，包括：
4、采集实时网络流量数据并输入至预训练的网络入侵检测模型，获得网络入侵检测结果；
5、所述网络入侵检测模型的构建和训练过程包括：
6、构建bp神经网络，并确定所述bp神经网络的输入层、隐藏层、输出层的节点数；将所述bp神经网络的原始阈值和原始权重作为蜣螂优化算法的初始种群位置进行寻优，得到所述bp神经网络的最优初始阈值和最优初始权重；
7、获取历史网络流量数据构建训练样本集合；利用训练样本集合对包含最优初始阈值和最优初始权重的所述bp神经网络进行训练，通过召回率对所述bp神经网络进行评估，重复迭代直至召回率大于设定阈值d1获得网络入侵检测模型。
8、进一步地，所述bp神经网络的输入层的节点数设定为42；所述bp神经网络的隐藏层的节点数设定为100；所述bp神经网络的输出层的节点数设定为1。
9、进一步地，将所述bp神经网络的原始阈值和原始权重作为蜣螂优化算法的初始种群位置进行寻优，得到所述bp神经网络的最优初始阈值和最优初始权重的方法包括：
10、将所述bp神经网络的原始阈值和原始权重作为蜣螂优化算法的初始种群位置，并使用混沌映射对蜣螂优化算法的种群进行初始化；
11、每个蜣螂种群由四种不同的代理蜣螂组成，即滚球蜣螂、孵球蜣螂、小蜣螂和小偷蜣螂；设计滚球蜣螂位置更新、孵球蜣螂位置更新、小蜣螂位置更新、小偷蜣螂位置更新作为更新规则，以bp神经网络的准确率作为适应度值对所述初始位置进行寻优，得到所述bp神经网络的最优初始阈值和最优初始权重。
12、优选的，使用混沌映射对蜣螂优化算法的种群进行初始化，表达公式为：
13、
14、公式中，xt表述为蜣螂种群中蜣螂的位置；a∈(0,4)表示为常数。
15、优选的，获取历史网络流量数据构建训练样本集合的方法包括：
16、获取历史网络流量数据；对历史网络流量数据进行归一化处理获得训练样本，将各个训练样本构建为训练样本集合；所述训练样本集合分为训练样本子集合和测试样本子集合。
17、进一步地，利用训练样本集合对包含最优初始阈值和最优初始权重的所述bp神经网络进行训练，通过召回率对所述bp神经网络进行评估，重复迭代直至召回率大于设定阈值d1获得网络入侵检测模型的方法包括：
18、步骤a：将训练样本子集合中的训练样本输入至所述bp神经网络，通过前向传播所述训练样本从输入层传递到输出层，由所述输出层输出检测结果；基于训练样本的检测结果和对应期望结果计算检测误差；根据检测误差对bp神经网络进行反向传播更新权重和偏置，重复迭代直至到达设定阈值d2输出训练后的bp神经网络；
19、步骤b：利用测试样本子集合对训练后的bp神经网络进行测试，通过召回率对所述bp神经网络进行评估，输出召回率大于设定阈值d1的bp神经网络作为网络入侵检测模型；否则，跳转至步骤a。
20、进一步地，通过前向传播所述训练样本从输入层传递到输出层，由所述输出层输出检测结果的方法包括：
21、z(l)＝w(l)·a(l-1)+b(l)
22、a(l)＝σ(z(l))
23、公式中，a(l-1)为所述bp神经网络中第l-1层的输出结果，a(l)为所述bp神经网络中第l层的输出结果，w(l)为所述bp神经网络中第l层的权重矩阵，b(l)为所述bp神经网络中第l层的偏置向量，σ(·)为激活函数；
24、bp神经网络中第1层为输入层；bp神经网络中第2层为隐藏层；bp神经网络中第2层为输出层；由输出层输出的输出结果作为bp神经网络的检测结果。
25、进一步地，基于训练样本的检测结果和对应期望结果计算检测误差的方法包括：
26、
27、公式中，y(i)表示bp神经网络对第i个样本检测的期望结果，表示bp神经网络对第i个样本的检测结果；nl表示为网络中输出层神经元的数量；j表示为输出层中的神经元序号。
28、进一步地，根据检测误差对bp神经网络进行反向传播更新权重和偏置的方法包括：
29、计算bp神经网络中第l-1层的梯度，表达公式为：
30、
31、
32、
33、σ′(z(l))＝σ(z(l))·(1-σ(z(l)))
34、公式中，e表示为bp神经网络的检测误差；σ(·)为激活函数；δ(l)表示为所述bp神经网络中第l-1层的梯度；(·)t表示为矩阵的转置；
35、通过反向传播逐层计算bp神经网络中各层的误差和梯度更新bp神经网络的权重和偏置。
36、本专利技术第二方面提供了一种基于蜣螂优化算法的bp神经网络入侵检测系统，包括：
37、检测模块，采集实时网络流量数据并输入至预训练的网络入侵检测模型，获得网络入侵检测结果；
38、模型构建模块，用于构建bp神经网络，并确定所述bp神经网络的输入层、隐藏层、输出层的节点数；将所述bp神经网络的原始阈值和原始权重作为蜣螂优化算法的初始种群位置进行寻优，得到所述bp神经网络的最优初始阈值和最优初始权重；
39、模型优化模块，用于获取历史网络流量数据构建训练样本集合；利用训练样本集合对包含最优初始阈值和最优初始权重的所述bp神经网络进行训练，通过召回率对所述bp神经网络进行评估，重复迭代直至召回率大于设定阈值d1获得网络入侵检测模型。
40、与现有技术相比，本专利技术的有益效果：
本文档来自技高网...【技术保护点】
1.一种基于蜣螂优化算法的BP神经网络入侵检测方法，其特征在于，包括：
2.根据权利要求1所述的BP神经网络入侵检测方法，其特征在于，所述BP神经网络的输入层的节点数设定为42；所述BP神经网络的隐藏层的节点数设定为100；所述BP神经网络的输出层的节点数设定为1。
3.根据权利要求1所述的BP神经网络入侵检测方法，其特征在于，将所述BP神经网络的原始阈值和原始权重作为蜣螂优化算法的初始种群位置进行寻优，得到所述BP神经网络的最优初始阈值和最优初始权重的方法包括：
4.根据权利要求3所述的BP神经网络入侵检测方法，其特征在于，使用混沌映射对蜣螂优化算法的种群进行初始化，表达公式为：
5.根据权利要求1所述的BP神经网络入侵检测方法，其特征在于，获取历史网络流量数据构建训练样本集合的方法包括：
6.根据权利要求5所述的BP神经网络入侵检测方法，其特征在于，利用训练样本集合对包含最优初始阈值和最优初始权重的所述BP神经网络进行训练，通过召回率对所述BP神经网络进行评估，重复迭代直至召回率大于设定阈值D1获得网络入侵检测模型的
7.根据权利要求6所述的BP神经网络入侵检测方法，其特征在于，通过前向传播所述训练样本从输入层传递到输出层，由所述输出层输出检测结果的方法包括：
8.根据权利要求7所述的BP神经网络入侵检测方法，其特征在于，基于训练样本的检测结果和对应期望结果计算检测误差的方法包括：
9.根据权利要求8所述的BP神经网络入侵检测方法，其特征在于，根据检测误差对BP神经网络进行反向传播更新权重和偏置的方法包括：
10.一种基于蜣螂优化算法的BP神经网络入侵检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于蜣螂优化算法的bp神经网络入侵检测方法，其特征在于，包括：
2.根据权利要求1所述的bp神经网络入侵检测方法，其特征在于，所述bp神经网络的输入层的节点数设定为42；所述bp神经网络的隐藏层的节点数设定为100；所述bp神经网络的输出层的节点数设定为1。
3.根据权利要求1所述的bp神经网络入侵检测方法，其特征在于，将所述bp神经网络的原始阈值和原始权重作为蜣螂优化算法的初始种群位置进行寻优，得到所述bp神经网络的最优初始阈值和最优初始权重的方法包括：
4.根据权利要求3所述的bp神经网络入侵检测方法，其特征在于，使用混沌映射对蜣螂优化算法的种群进行初始化，表达公式为：
5.根据权利要求1所述的bp神经网络入侵检测方法，其特征在于，获取历史网络流量数据构建训练样本集合的方法包括：
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。