CN107104988A - 一种基于概率神经网络的IPv6入侵检测方法 - Google Patents

一种基于概率神经网络的IPv6入侵检测方法 Download PDF

Info

Publication number
CN107104988A
CN107104988A CN201710548613.2A CN201710548613A CN107104988A CN 107104988 A CN107104988 A CN 107104988A CN 201710548613 A CN201710548613 A CN 201710548613A CN 107104988 A CN107104988 A CN 107104988A
Authority
CN
China
Prior art keywords
data
probabilistic neural
neural network
ipv6
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710548613.2A
Other languages
English (en)
Other versions
CN107104988B (zh
Inventor
贺静
徐成武
任密林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Next Generation Internet Major Application Technology Beijing Engineering Research Center Co ltd
Taiyuan University of Technology
Original Assignee
Next Generation Internet Major Application Technology Beijing Engineering Research Center Co ltd
Taiyuan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Next Generation Internet Major Application Technology Beijing Engineering Research Center Co ltd, Taiyuan University of Technology filed Critical Next Generation Internet Major Application Technology Beijing Engineering Research Center Co ltd
Priority to CN201710548613.2A priority Critical patent/CN107104988B/zh
Publication of CN107104988A publication Critical patent/CN107104988A/zh
Application granted granted Critical
Publication of CN107104988B publication Critical patent/CN107104988B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1416—Event detection, e.g. attack signature detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及IPv6网络中入侵数据的检测，具体为一种基于概率神经网络的IPv6入侵检测方法。该方法包括以下步骤：第一步：获取数据并进行预处理：获取作为训练样本，用来构建概率神经网络的模型；第二步：提取训练样本特征值；第三步：选择有用的字段；第四步：有用的字段进行归一化处理，把所有数据都转化为[O，1]之间的数值；第五步：构建PNN概率神经网络，归一化处理后的数据供PNN概率神经网络训练，经过训练从而调节好PNN概率神经网络的参数；第六步：训练好的概率神经网络用于入侵检测。本发明不仅填补了将PNN应用于IPv6网络入侵检测的空白，而且有效解决了BP神经网络在入侵检测应用中收敛速度慢、误判率高的问题。

Description

一种基于概率神经网络的IPv6入侵检测方法
技术领域
本发明涉及IPv6网络中入侵数据的检测，具体为一种基于概率神经网络的IPv6入侵检测方法。
背景技术
入侵检测技术是网络安全技术核心之一，在IPv4网络中，已经有了较为成熟的技术和较为广泛的应用，但是在下一代互联网IPv6网络中，入侵检测仍处于研究阶段，并没有形成成熟可操作的技术。随着网络规模日益的扩大与发展，IPv6网络必将日渐代替IPv4网络走向实际应用，这给IPv6网络入侵检测技术带来了广阔的研究前景。
随着异常入侵检测系统的发展，各种机器学习方法包括神经网络被引入到了网络异常检测中，如Lee提出的基于数据挖掘技术的检测方法，从审计数据或数据流中提取感兴趣的知识，并用这些知识去检测异常入侵和已知的入侵，这种方法可以适应处理大量数据的情况，但并不能高效地进行实时入侵检测；郑黎明提出的基于支持向量机SVM的入侵检测方法，解决了入侵检测系统先验知识较少情况下推广能力差的问题，使得入侵检测系统在小样本的条件下仍然具有良好的推广能力，但是当输入数据集很大时,SVM方法的计算速度也会下降较大，且单纯的支持向量机对于多元问题的处理仍没有很好的解决办法；李元兵提出的基于BP神经网络的检测方法，使得入侵检测系统在识别未知攻击方面具有更好的性能，BP神经网络是目前IPv6入侵检测采用最多也是最成熟的训练算法之一，但其存在收敛速度慢、误判率高的问题。
发明内容
本发明为了解决BP神经网络用于IPv6入侵检测存在收敛速度慢、误判率高的问题，提供了一种基于概率神经网络的IPv6入侵检测方法。
本发明是采用如下的技术方案实现的：一种基于概率神经网络的IPv6入侵检测方法，包括以下步骤：
第一步：获取数据并进行预处理：利用IPv6 网络攻击测试工具模拟攻击，选择攻击数据作为入侵行为数据，在网络中捕获攻击报文，再获取正常数据，捕获网络中的报文，从上述数据中分别随机抽取组成一组数据，作为训练样本，用来构建概率神经网络的模型；
第二步：提取训练样本特征值；
第三步：对于特征值中特征差别不明显的字段予以剔除，选择有用的字段；
第四步：利用最大最小法将特征值中选出的有用的字段进行归一化处理，把所有数据都转化为[O，1]之间的数值，取消各维数据间的数量级差别；
第五步：构建PNN概率神经网络，归一化处理后的数据供PNN概率神经网络训练，经过训练从而调节好PNN概率神经网络的参数，然后将调整好的参数交给概率神经网络分类模块使用；
第六步：将待检测的数据提取出特征值，输入训练好的概率神经网络，概率神经网络输出待检测的数据类型。
本方法基于PNN概率神经网络强大的非线性分类能力，可以非常准确地完成入侵攻击分类,在模式分类方面具有很大优势。用Matlab神经网络工具箱设计三组网络：BP网络、RBF网络和PNN网络，并将三组网络分别应用于IPv6网络的入侵检测中，从误判率、训练时间、检测时间和总时间四个性能指标对比分析，对比测试数据如下表：
各项性能指标综合分析表
网络类型 误判率（%） 训练时间（s） 检测时间（s） 总时间（s）
BP网络 0.09-0.15 10-20 0.25-0.30 10-20
RBF网络 0.06-0.15 7-10 0.30-0.40 7-10
PNN网络 0-0.0015 0.60-0.65 3-5 4-6
通过测试数据可以看出，本发明不仅填补了将PNN应用于IPv6网络入侵检测的空白，而且有效解决了BP神经网络在入侵检测应用中收敛速度慢、误判率高的问题。
附图说明
图1为本发明的检测流程图。
具体实施方式
一种基于概率神经网络的IPv6入侵检测方法，包括以下步骤：
第一步：获取数据并进行预处理：利用IPv6 网络攻击测试工具THC-IPv6模拟攻击，选择其中的Dos-new-ipv6与Smurf6攻击数据作为入侵行为数据，在网络中捕获攻击报文ICMPv6；再获取正常数据，捕获网络中的TCP、UDP报文；从入侵行为数据和正常数据中分别随机抽取组成一组数据，作为训练样本，用来构建概率神经网络的模型。训练样本实例数据如下：
数据类型 训练样本
Normal 20000
Dos-new-ipv6 3000
Smurf6 3000
Total 26000
第二步：过滤提取出TCP、UDP与ICMPv6的特征值，如下表：
TCP特征值表
UDP特征值表
负载长度 下一个头 跳数限制 源端口 目的端口 长度
IPv6.plen IPv6.nxt IPv6.hlim udp.srcport udp.dstport udp.length
ICMPv6特征值表
负载长度 下一个头 跳数限制 类型 代码
IPv6.plen IPv6.nxt IPv6.hlim Icmpv6.type Icmpv6.code
第三步：对于特征值中特征差别不明显的字段予以剔除，选择有用的字段。
第四步：利用最大最小法将特征值中选出的有用的字段进行归一化处理，把所有数据都转化为[O，1]之间的数值，取消各维数据间的数量级差别；为有用的字段中的最小值,为有用的字段中的最大值。
第五步：通过matlab构建PNN概率神经网络，归一化处理后的数据（TCP、UDP与ICMPv6）供PNN概率神经网络训练，PNN概率神经网络的输出层将三种数据类型分为[0、1、2]，经过训练从而调节好PNN概率神经网络的参数，然后将调整好的参数交给概率神经网络分类模块使用。
在当前的参数值下，PNN概率神经网络分类模块一旦发现可疑攻击，便把数据交给模式匹配模块进行传统的分析。而模式匹配模块对于从数据库中获得的网络数据的所有分析结果，都要提供给神经网络训练模块。神经网络训练模块依靠不断获得的这些攻击或正常的网络数据信息，对自身进行自适应的调整．更新神经网络的权值，同时也就更新了神经网络分类模块的设置，进而提高了分类模块对于攻击的判断分析能力。
第六步：将待检测的数据提取出特征值，输入训练好的概率神经网络，概率神经网络输出待检测的数据类型。

Claims (1)

1.一种基于概率神经网络的IPv6入侵检测方法，其特征在于包括以下步骤：
第一步：获取数据并进行预处理：利用IPv6 网络攻击测试工具模拟攻击，选择攻击数据作为入侵行为数据，在网络中捕获攻击报文，再获取正常数据，捕获网络中的报文，从上述数据中分别随机抽取组成一组数据，作为训练样本，用来构建概率神经网络的模型；
第二步：提取训练样本特征值；
第三步：对于特征值中特征差别不明显的字段予以剔除，选择有用的字段；
第四步：利用最大最小法将特征值中选出的有用的字段进行归一化处理，把所有数据都转化为[O，1]之间的数值，取消各维数据间的数量级差别；
第五步：构建PNN概率神经网络，归一化处理后的数据供PNN概率神经网络训练，经过训练从而调节好PNN概率神经网络的参数，然后将调整好的参数交给概率神经网络分类模块使用；
第六步：将待检测的数据提取出特征值，输入训练好的概率神经网络，概率神经网络输出待检测的数据类型。
CN201710548613.2A 2017-07-07 2017-07-07 一种基于概率神经网络的IPv6入侵检测方法 Expired - Fee Related CN107104988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710548613.2A CN107104988B (zh) 2017-07-07 2017-07-07 一种基于概率神经网络的IPv6入侵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710548613.2A CN107104988B (zh) 2017-07-07 2017-07-07 一种基于概率神经网络的IPv6入侵检测方法

Publications (2)

Publication Number Publication Date
CN107104988A true CN107104988A (zh) 2017-08-29
CN107104988B CN107104988B (zh) 2020-04-07

Family

ID=59664084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710548613.2A Expired - Fee Related CN107104988B (zh) 2017-07-07 2017-07-07 一种基于概率神经网络的IPv6入侵检测方法

Country Status (1)

Country Link
CN (1) CN107104988B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109150830A (zh) * 2018-07-11 2019-01-04 浙江理工大学 一种基于支持向量机和概率神经网络的层次入侵检测方法
CN110688287A (zh) * 2019-05-13 2020-01-14 中国石油大学(华东) 一种基于改进概率神经网络的工控网络态势评估方法
CN111064724A (zh) * 2019-12-13 2020-04-24 电子科技大学 一种基于rbf神经网络的网络入侵检测系统
CN111209998A (zh) * 2018-11-06 2020-05-29 航天信息股份有限公司 基于数据类型的机器学习模型的训练方法及装置
CN111917781A (zh) * 2020-08-05 2020-11-10 湖南匡楚科技有限公司 一种智能内部恶意行为网络攻击识别方法及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040225627A1 (en) * 1999-10-25 2004-11-11 Visa International Service Association, A Delaware Corporation Synthesis of anomalous data to create artificial feature sets and use of same in computer network intrusion detection systems
CN101686235A (zh) * 2008-09-26 2010-03-31 中联绿盟信息技术(北京)有限公司 网络异常流量分析设备和方法
CN105809266A (zh) * 2014-12-31 2016-07-27 郑静晨 一种地震伤亡人数初步评估预测方法
CN105852886A (zh) * 2016-05-10 2016-08-17 华南理工大学 面向大学生的精神压力评估及高危人群干预系统
CN106161458A (zh) * 2016-08-03 2016-11-23 辽宁师范大学 基于双加权在线极限学习机的网络入侵检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040225627A1 (en) * 1999-10-25 2004-11-11 Visa International Service Association, A Delaware Corporation Synthesis of anomalous data to create artificial feature sets and use of same in computer network intrusion detection systems
CN101686235A (zh) * 2008-09-26 2010-03-31 中联绿盟信息技术(北京)有限公司 网络异常流量分析设备和方法
CN105809266A (zh) * 2014-12-31 2016-07-27 郑静晨 一种地震伤亡人数初步评估预测方法
CN105852886A (zh) * 2016-05-10 2016-08-17 华南理工大学 面向大学生的精神压力评估及高危人群干预系统
CN106161458A (zh) * 2016-08-03 2016-11-23 辽宁师范大学 基于双加权在线极限学习机的网络入侵检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
麻书钦: "基于 Kohonen神经网络算法的网络入侵聚类算法的测试研究", 《中国测试》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109150830A (zh) * 2018-07-11 2019-01-04 浙江理工大学 一种基于支持向量机和概率神经网络的层次入侵检测方法
CN109150830B (zh) * 2018-07-11 2021-04-06 浙江理工大学 一种基于支持向量机和概率神经网络的层次入侵检测方法
CN111209998A (zh) * 2018-11-06 2020-05-29 航天信息股份有限公司 基于数据类型的机器学习模型的训练方法及装置
CN111209998B (zh) * 2018-11-06 2023-08-18 航天信息股份有限公司 基于数据类型的机器学习模型的训练方法及装置
CN110688287A (zh) * 2019-05-13 2020-01-14 中国石油大学(华东) 一种基于改进概率神经网络的工控网络态势评估方法
CN111064724A (zh) * 2019-12-13 2020-04-24 电子科技大学 一种基于rbf神经网络的网络入侵检测系统
CN111917781A (zh) * 2020-08-05 2020-11-10 湖南匡楚科技有限公司 一种智能内部恶意行为网络攻击识别方法及电子设备

Also Published As

Publication number Publication date
CN107104988B (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN107104988A (zh) 一种基于概率神经网络的IPv6入侵检测方法
CN110011999B (zh) 基于深度学习的IPv6网络DDoS攻击检测系统及方法
CN109902709B (zh) 一种基于对抗学习的工业控制系统恶意样本生成方法
CN109600363B (zh) 一种物联网终端网络画像及异常网络访问行为检测方法
CN113283476B (zh) 一种物联网网络入侵检测方法
CN112738015A (zh) 一种基于可解释卷积神经网络cnn与图检测的多步攻击检测方法
CN104836702A (zh) 一种大流量环境下主机网络异常行为检测及分类方法
CN108696543B (zh) 基于深度森林的分布式反射拒绝服务攻击检测、防御方法
Amoli et al. Unsupervised network intrusion detection systems for zero-day fast-spreading attacks and botnets
CN110691073A (zh) 一种基于随机森林的工控网络暴力破解流量检测方法
CN113162893A (zh) 基于注意力机制的工业控制系统网络流量异常检测方法
CN109347863B (zh) 一种改进的免疫的网络异常行为检测方法
CN105871861B (zh) 一种自学习协议规则的入侵检测方法
CN110113348A (zh) 一种基于机器学习进行物联网威胁检测的方法
CN114091020A (zh) 基于特征分组和多模型融合的对抗攻击防御方法及系统
CN111600878A (zh) 一种基于maf-adm的低速率拒绝服务攻击检测方法
CN1223941C (zh) 一种基于相关特征聚类的层次入侵检测系统
CN113132391B (zh) 一种用于工控蜜罐的恶意行为识别方法
CN113268735A (zh) 分布式拒绝服务攻击检测方法、装置、设备和存储介质
CN111211948B (zh) 基于载荷特征和统计特征的Shodan流量识别方法
Cheng et al. DDoS attack detection algorithm using IP address features
Abdullah et al. TiSEFE: Time series evolving fuzzy engine for network traffic classification
Vijayakumar et al. Detection of network attacks based on multiprocessing and trace back methods
Nguyen A scheme for building a dataset for intrusion detection systems
CN113298125B (zh) 基于特征选择的物联网设备流量异常检测方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200407

Termination date: 20210707

CF01 Termination of patent right due to non-payment of annual fee