网络入侵检测系统自体集检测中的概率匹配高效寻优机制

doi:10.3724/SP.J.1087.2013.00156

计算机应用 ›› 2013, Vol. 33 ›› Issue (01): 156-159.DOI: 10.3724/SP.J.1087.2013.00156

网络入侵检测系统自体集检测中的概率匹配高效寻优机制

高苗粉¹,²,秦勇¹,李勇¹,邹裕¹,李清霞³,申林⁴

1. 东莞理工学院计算机学院，广东东莞 523808
2. 江苏科技大学计算机科学与工程学院，江苏镇江 212003
3. 东莞理工学院城市学院计算机与信息科学系，广东东莞 523106
4. 太原理工大学信息工程学院，太原 030024

收稿日期:2012-07-04 修回日期:2012-08-09 出版日期:2013-01-01 发布日期:2013-01-09
通讯作者: 高苗粉
作者简介:高苗粉(1986-)，女，河北石家庄人，硕士研究生，CCF会员，主要研究方向：计算机网络；秦勇(1970-)，男，湖南邵阳人，教授，博士，主要研究方向:计算机网络；李勇(1958-)，男，河南信阳人，教授，博士，主要研究方向：复杂网络；邹裕(1983-)，男，广东河源人，工程师，硕士，主要研究方向:计算机网络；李清霞(1973-)，女，河南开封人，讲师，硕士，主要研究方向：计算机网络；申林(1987-)，男，湖南邵阳人，硕士研究生，主要研究方向：计算机网络。
基金资助:
广东省教育部产学研项目(2009B090300350);东莞市科技计划项目(2011108102015)

Probability matching efficient-optimization mechanism on self-set detection in network intrusion detection system

GAO Miaofen¹,²,QIN Yong²,LI Yong²,ZOU Yu²,LI Qingxia³,SHEN Lin⁴

1. School of Computer Science and Engineering, Jiangsu University of Science and Technology, Zhenjiang Jiangsu 212003, China
2. School of Computer Science, Dongguan University of Technology, Dongguan Guangdong 523808, China
3. Department of Computer and Information Science, City College of Dongguan University of Technology, Dongguan Guangdong 523106, China
4. College of Information Engineering, Taiyuan University of Technology, Taiyuan Shanxi 030024, China

Received:2012-07-04 Revised:2012-08-09 Online:2013-01-01 Published:2013-01-09
Contact: GAO Miaofen

摘要/Abstract

摘要： 针对自体集数据规模较大造成的时空上的巨大消耗而难以处理的问题，设计了基于人工免疫的网络入侵检测系统(NIDS)的自体集匹配机制。为提高入侵检测系统的检测效率，提出概率匹配高效寻优机制。首先证明了网络数据的相对集中性，通过计算平均查找长度(ASL)分析了概率匹配机制的有效性，并通过模拟实验验证了该机制的快速匹配效率，并且在一种基于自体集规模简约机制的新型人工免疫网络入侵检测系统上进行了工程应用，取得了较好的匹配效果。

关键词: 自体集, 人工免疫, 入侵检测, 概率匹配, 寻优

Abstract: To deal with the huge spatial and temporal consumption caused by large-scale self-set data, the authors designed a self-set matching mechanism based on artificial immune Network Intrusion Detection System (NIDS). To improve the detection efficiency of the intrusion detection system, an efficient probability matching optimization mechanism was proposed. The authors first proved the relative concentration of the network data, and analyzed the validity of the probability matching mechanism by calculating the Average Search Length (ASL), then verified the fast matching efficiency of the mechanism through simulation experiments. The mechanism has been used in a project application in a new artificial immune network intrusion detection system based on self-set scale simplified mechanism, which has achieved satisfactory matching results.

Key words: self-set, artificial immune, intrusion detection, probability matching, optimization

中图分类号:

TP301.6

高苗粉秦勇李勇邹裕李清霞申林. 网络入侵检测系统自体集检测中的概率匹配高效寻优机制[J]. 计算机应用, 2013, 33(01): 156-159.

GAO Miaofen QIN Yong LI Yong ZOU Yu LI Qingxia SHEN Lin. Probability matching efficient-optimization mechanism on self-set detection in network intrusion detection system[J]. Journal of Computer Applications, 2013, 33(01): 156-159.

参考文献

［1］李涛.计算机免疫学［M］.北京:电子工业出版社，2004:59-62.

［2］CHILENGUE Z，DENTE J A，COSTA BRANCO P J. An artificial immune system approach for fault detection in the stator and rotor circuits of induction machines ［J］. Electric Power Systems Research, 2011, 81(1): 158-169.

［3］焦李成，杜海峰.人工免疫系统进展与展望［J］.电子学报,2003,31(10):1540-1548.

［4］FORREST S, PERELSON A S, ALLEN L, et al. Self-nonself discrimination in a computer ［C］// Proceedings of the 1994 IEEE Symposium on Research in Security and Privacy. Washington, DC: IEEE Computer Society, 1994: 202-212.

［5］刘若辰,杜海峰,焦李成.一种免疫单克隆策略算法［J］.电子学报,2004,32(11):1880-1884.

［6］王磊,潘进,焦李成.免疫算法［J］.电子学报,2000,28(7):74-78.

［7］杨福刚.自适应克隆抑制人工免疫算法［J］.计算机应用研究,2011,28(2):481-484.

［8］KIM J, BENTLEY P. An artificial immune model for network intrusion detection ［EB/OL］. ［2012-04-25］. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.15.9405&rep=rep1&type=pdf.

［9］陈波，于泠.基于人工免疫的网络入侵检测［J］.计算机工程与应用,2002,38(22):165-167.

［10］景志刚,王相林.基于人工免疫的网络入侵检测技术［J］.现代计算机,2005(2):49-53.

［11］邓荣.基于人工免疫的网络入侵检测模型［J］.煤炭技术,2011,30(4):105-107.

［12］胡亮,王程明,赵阔.基于人工免疫模型的入侵检测系统中检测器生成算法的分析与改进［J］.吉林大学学报,2010,48(1):67-72.

［13］翟鸿雁,熊伟,曾纪霞.一种自适应的人工免疫异常检测算法［J］.计算机工程与应用,2011,47(16):86-88.

［14］郭春阳.基于人工免疫的入侵方法研究［D］.哈尔滨：哈尔滨工程大学，2007：5-10.

［15］何申，罗文坚，王煦法.一种检测器长度可变的非选择算法［J］.软件学报,2007,18(6):1361-1368.

［16］陈云亮，黄建忠，谢长生.基于存储的动态入侵检测机制研究［J］.小型微型计算机系统,2010,31(8):1489-1496.

［17］闫巧,江勇,吴建平.基于免疫机理的网络入侵检测系统的抗体生成与检测组件［J］.计算机学报,2005,28(10):1601-1607.

［18］盛骤，谢式千，潘承毅.概率论与数理统计［M］.北京：高等教育出版社,2001：144-147.

[1]	张师鹏, 李永忠, 杜祥通. 基于半监督学习和三支决策的入侵检测模型[J]. 计算机应用, 2021, 41(9): 2602-2608.
[2]	王月, 江逸茗, 兰巨龙. 基于改进三元组网络和K近邻算法的入侵检测[J]. 计算机应用, 2021, 41(7): 1996-2002.
[3]	王垚, 孙国梓. 基于聚类和实例硬度的入侵检测过采样方法[J]. 计算机应用, 2021, 41(6): 1709-1714.
[4]	张全龙, 王怀彬. 基于膨胀卷积和门控循环单元组合的入侵检测模型[J]. 计算机应用, 2021, 41(5): 1372-1377.
[5]	任晓奎, 刘鹏飞, 陶志勇, 刘影, 白立春. 基于单快拍信号到达角估计算法的室内入侵检测[J]. 计算机应用, 2021, 41(4): 1153-1159.
[6]	曹建芳, 赵爱迪, 张自邦. 融合阈值寻优的卷积神经网络在图像标注中的应用[J]. 计算机应用, 2020, 40(6): 1587-1592.
[7]	程小辉, 牛童, 汪彦君. 基于序列模型的无线传感网入侵检测系统[J]. 计算机应用, 2020, 40(6): 1680-1684.
[8]	欧彬利, 钟夏汝, 代建华, 杨田. 基于变精度覆盖粗糙集的入侵检测方法[J]. 计算机应用, 2020, 40(12): 3465-3470.
[9]	李中伟, 谭凯, 关亚东, 姜文淇, 叶麟. 车载CAN总线脱离攻击及其入侵检测算法[J]. 计算机应用, 2020, 40(11): 3224-3228.
[10]	池亚平, 莫崇维, 杨垠坦, 陈纯霞. 面向软件定义网络架构的入侵检测模型设计与实现[J]. 计算机应用, 2020, 40(1): 116-122.
[11]	杨宏宇, 王峰岩. 基于改进卷积神经网络的网络入侵检测模型[J]. 计算机应用, 2019, 39(9): 2604-2610.
[12]	曹卫东, 许志香. 高效的半监督多层次入侵检测算法[J]. 计算机应用, 2019, 39(7): 1979-1984.
[13]	潘建国, 李豪. 基于实用拜占庭容错的物联网入侵检测方法[J]. 计算机应用, 2019, 39(6): 1742-1746.
[14]	郭旭东, 李小敏, 敬如雪, 高玉琢. 基于改进的稀疏去噪自编码器的入侵检测[J]. 计算机应用, 2019, 39(3): 769-773.
[15]	胡健, 苏永东, 黄文载, 肖鹏, 刘玉婷, 杨本富. 基于互信息加权集成迁移学习的入侵检测方法[J]. 计算机应用, 2019, 39(11): 3310-3315.

网络入侵检测系统自体集检测中的概率匹配高效寻优机制

Probability matching efficient-optimization mechanism on self-set detection in network intrusion detection system

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics