T S型模糊神经网络与入侵检测解析.pptVIP

2007-03-07 . * 遗传算法用于T-S FNN的权值学习 采用自适应变异率 变异：变异算子是按某一概率Pm改变种群中某些串的某些位。由于采用实数编码，这里的变异操作以概率Pm在初始概率分布中随机选择一个值，然后与要变异的串的某些位的权值相加。这里采用自适应变异率。对于适应值高的串，取较低的Pm，对于适应值低的串，取较高的Pm ，使该串进入下一代的机会增大。即 2007-03-07 . * 遗传算法用于T-S FNN的权值学习 Pm = km 是小于1 的常数, km 是要变异的串的适应值。 2007-03-07 . * 遗传算法用于T-S FNN的权值学习 改进遗传算法用于训练连接权的其他问题 初始化过程　为使遗传算法能有哪些信誉好的足球投注网站所有可行解的范围, 初试化网络的各权值以概率分布来随机确定。 评价函数f 　网络以训练集样本为输入输出, 运行后返回误差平方和的倒数作为评价函数 选择　在繁殖过程中, 某一个串其被拷贝的概率P s 可表示为:Ps=fi/ 　fi fi 2007-03-07 . * T-S型模糊神经网络与入侵检测 T-S型模糊神经网络介绍 BP算法原理用于T-S FNN模糊参数学习 遗传算法用于T-S FNN的权值学习 T-S FNN应用于入侵检测数据分析 2007-03-07 . * T-S FNN应用于入侵检测数据分析 数据来源 网络数据的特征选取 数据预处理 T-S型模糊神经网络的结构参数设置 2007-03-07 . * T-S FNN应用于入侵检测数据分析 数据来源 对于入侵检测数据分析的数据源，这里采用KDDCup99数据集，属性集的属性分为四类：基本属性集、内容属性集、流量属性集、主机流量属性集，共41个属性。 下面是两条数据示例： 0,tcp,http,SF,181,5450,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,8,8, 0.00,0.00,0.00,0.00,1.00,0.00,0.00,9,9,1.00,0.00,0.11,0.00, 0.00,0.00,0.00,0.00,normal. 0,icmp,eco_i,SF,8,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,16, 0.00,0.00,0.00,0.00,1.00,0.00,1.00,1,129,1.00,0.00,1.00,0.51, 0.00,0.00,0.00,0.00,ipsweep. 2007-03-07 . * T-S FNN应用于入侵检测数据分析 数据集中包含了大量的正常网络流量和 22 种不同的攻击，具有很强的代表性。这些攻击可以分为如下 4 类： DOS：拒绝服务攻击，如smurf，teardrop 攻击等； R2L：远程权限的获取，如口令猜测等； U2R：权限提升，如各种缓冲溢出攻击； PROBE：端口和漏洞扫描。 2007-03-07 . * T-S FNN应用于入侵检测数据分析 网络入侵类型表 2007-03-07 . * T-S FNN应用于入侵检测数据分析 数据来源 网络数据的特征选取 数据预处理 T-S型模糊神经网络的结构参数设置 2007-03-07 . * T-S FNN应用于入侵检测数据分析 网络数据的特征选取 随着T-S型模糊神经网络规模的扩大和拓扑结构的复杂化，网络的收敛性会随之下降，网络的训练时间也会随之延长。因此，应该选取那些网络数据特征作为神经网络的输入，是非常重要的。下面介绍两种特征提取的方法：属性相关度分析方法和分类检测方法。 属性相关度分析方法：用统计学的观点，通过对所得数据各数据项（属性）进行分析，只保留一些重要的、包含信息量较多的数据项（属性），而舍弃一些不重要的、包含信息量较少或不包含有用信息的数据项（属性）。属性相关度分析就可以做为这种分析方法。 2007-03-07 . * T-S FNN应用于入侵检测数据分析 属性相关度分析的基本思想： 计算某种度量，用于量化属性与给定类或概念的相关性。这种度量包括信息增益、相关系数等。 假定S样本中有s个样本，m个类，对一个给定样本分类所需的期望信息是 2007-03-07 . * T-S FNN应用于入侵检测数据分析 对某一属性A的划分的期望信息称作A的熵 属性A上该划分的信息增益为： Gain(a) = 用这种方法可以计算出每个属性的信息增益，具有最高信息增益的属性就是给定集合中具有最高区分度的属性。 2007-03-07 . * T-S FNN应用于入侵检测数据分析 分类检测方法： 为了提高网络的训练速度，缩小网络的规模，又不至于因为舍取了网络数据的一些数据项而降低检测效率，可以针对不同的攻击类型，构造不同的神经