论文部分内容阅读
随着计算机网络技术的飞速发展,网络安全问题备受国家与社会的强烈关注。入侵检测系统所具有的特性与生物免疫系统极为相似,借鉴生物免疫机理的仿生入侵检测技术应运而生。建立在“自体”、“非自体”模型基础上的传统人工免疫算法,存在自体集庞大、检测器生成效率低、检测率低、误警率高等问题,无法适应复杂多变的网络安全需求,在实际应用过程中具有较大的局限性。本文根据危险理论中三大信号及免疫独特型网络理论构建了一种四级模块式自适应入侵检测模型(FLMD模型),FLMD模型同时构建正常特征与异常特征数据库,不用考虑自体耐受问题,有助于改善检测性能。FLMD模型由多变异自适应检测模块、决策融合模块、危险信号感知模块及自适应响应模块构成。多变异自适应检测模块中主要提出了多变异自适应独特型网络检测算法(MSIN算法),MSIN算法将相似抗体建立连接,从而构建免疫网络,通过计算激励水平选择克隆个体,以多变异方式使抗体朝抗原方向进行变异,从而有效降低训练次数,提高对变种抗原的识别能力;在决策融合模块中主要提出可调式决策模板融合方法(DTAF方法),通过建立正常与异常决策模板,实现对多变异自适应模块中多组初级检测结果的融合,产生协同刺激信号来启动危险信号感知模块,并通过动态调节决策模板以实现模板在线更新,从而有效提高检测率并加快二次免疫响应;在危险信号感知模块中主要提出危险感知算法(DPA算法),DPA算法建立在对危险分类的基础上,构建不同类型的危险感知细胞,通过计算与各种危险感知细胞的亲和度来感知危险,从而实现对可疑信号的进一步确认,达到更好的检测效果。本文最后采用KDD-CUP-99数据集对FLMD模型进行仿真实验,实验结果表明,FLMD模型及相关算法有效地提高了网络攻击的检测率,降低了误报率,增强了对未知攻击的学习与自适应能力,增强了检测的稳定性。