原文传递
基于遗传算法和神经网络的入侵检测技术在TDCS网络中的研究
| 论文题名： | 基于遗传算法和神经网络的入侵检测技术在TDCS网络中的研究 |
| 关键词： | 入侵检测模型;检测引擎;遗传算法;特征提取;神经网络 |
| 摘要： | 在铁路信息化建设飞速发展的大环境下,为了提高铁路核心生产业务的水平,增强铁路运输服务能力,全路大力实施列车调度指挥系统。目前,已实现了铁路系统内,列车运行的自动控制、行车计划的自动调整、数据资源的完全共享等功能,是实现铁路运输指挥信息化、自动化的有效保障。 铁路运输调度指挥的现代化水平,在TDCS(TrainoperationDispatchingCommandSystem,列车调度指挥系统)的广泛实施后得到了很大的提高,这意味着要想保障行车的安全,就要提高系统整体的保密性、完整性和可用性。 随着计算机网络的广泛覆盖,虽然现有TDCS网络建立了一定的安全防范设施,但这些安全设施仍不能防范肆意蔓延的安全威胁和计算机病毒。由此可见,现有的网络安全体系只能起到一定的预防作用,并不能完全解决铁路骨干网络的安全问题。将入侵检测技术应用到TDCS系统中,一方面可以实现对网络的整体控制、实时监督,另一方面可以通过监视、限制网络数据流,给TDCS网络系统提供全方位的安全保护,为提高TDCS局域网的安全性能提供坚实的基础。 目前,在入侵检测方面的研究很多,但就技术上的有些问题,还需要进行更深一步的研究。比如,如何降低现有入侵检测系统的误报率、虚警率,如何精确查找入侵的位置和处理机制。针对TDCS专用网络的特点和入侵检测存在的问题,本文建立了一种应用于TDCS网络安全防护体系的入侵检测模型。该模型结合了误用检测和异常检测,将数据预处理后的属性特征作为神经网络的输入,并采用遗传算法对神经网络的权值进行优化,以克服神经网络易陷入局部最小值和过早收敛的缺点。由于KDD99数据集的每个行为都是用多维特征来进行描述的,为了降低输入维数,提高检测速率,本论文采用主成分分析的方法,剔除训练集和测试集中对整体没有贡献或贡献度低的特征属性。 最后,借助Matlab仿真实验平台,运用遗传算法训练神经网络权值,将训练好的网络应用到优化的入侵检测模型中,并进行实验仿真。结果表明,通过主成分分析后,输入维数大幅减少,有效提高了数据处理的速度;经过遗传算法优化后的神经网络,入侵检测率得到了很大的提高,虚警率和误警率明显降低。 |
| 作者： | 张颖 |
| 专业： | 交通信息工程及控制 |
| 导师： | 王瑞峰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2012 |
| 正文语种： | 中文 |
检索历史
应用推荐
