CN109948771A - 一种基于细菌觅食优化bp神经网络的态势评估算法 - Google Patents
一种基于细菌觅食优化bp神经网络的态势评估算法 Download PDFInfo
- Publication number
- CN109948771A CN109948771A CN201910225959.8A CN201910225959A CN109948771A CN 109948771 A CN109948771 A CN 109948771A CN 201910225959 A CN201910225959 A CN 201910225959A CN 109948771 A CN109948771 A CN 109948771A
- Authority
- CN
- China
- Prior art keywords
- neural network
- algorithm
- output
- layer
- node
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 60
- 241000894006 Bacteria Species 0.000 title abstract description 22
- 230000001580 bacterial effect Effects 0.000 claims abstract description 45
- 230000002431 foraging effect Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000013508 migration Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 230000005012 migration Effects 0.000 claims description 18
- 230000035605 chemotaxis Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- ZPUCINDJVBIVPJ-LJISPDSOSA-N cocaine Chemical compound O([C@H]1C[C@@H]2CC[C@@H](N2C)[C@H]1C(=O)OC)C(=O)C1=CC=CC=C1 ZPUCINDJVBIVPJ-LJISPDSOSA-N 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000012805 post-processing Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 abstract 1
- 230000033001 locomotion Effects 0.000 description 17
- 241000588724 Escherichia coli Species 0.000 description 9
- 235000015097 nutrients Nutrition 0.000 description 9
- 238000009395 breeding Methods 0.000 description 5
- 230000001488 breeding effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000003399 chemotactic effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 210000003495 flagella Anatomy 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种于细菌觅食优化BP神经网络的态势评估算法，建立网络态势粗糙集，确定神经网络模型的具体层数与各层节点数以及参数的初始化，包括神经网络模型以及细菌觅食算法的初始参数。接下来随机生成BP神经网络各个结点连接的权值、节点阈值，并对生成的各个BP神经网络进行编码，使之对应于细菌觅食算法中的细菌个体，最终形成算法的初始群体。初始群体形成之后对群体中每个个体进行寻优处理，最终输出当前最优个体。通过实验验证，本方法偏差小，能够提高网络安全态势评估的准确性。在网络安全领域中，态势评估准确性的提高能够为后期处理问题提供极大的便利，对未来风险提前做出判断并采取解决方案，有效的降低风险、减少损失。
Description
技术领域
本发明属于网络态势感知技术领域，涉及细菌觅食优化BP神经网络理论及粗糙集理论，具体涉及一种于细菌觅食优化BP神经网络的态势评估算法。
背景技术
伴随着互联网的发展，尤其是规模的增长与覆盖率的增大，层出不穷的安全威胁也时刻影响着互联网的平稳运行以及参与者的隐私安全。网络安全态势感知是一门通过整网态势因子来预测网络风险的新型网络安全理论，预测到的态势值为安全管理员提供参考从而更有效的做出防护。
神经网络(Neural Network)兴起于上世纪80年代，它在历史的不同时期担任过人工智能领域的研究热点。它是对人脑神经结构的某种程度上的模拟和抽象。按不同的层数和不同的连接方式分成不同种类的神经网络。它可以被理解为是一类运算相关的模型，由许多的神经元互相联接而成。除输入层外其他层中的每一个节点都模拟一种输出函数，叫做激活函数。相邻两层的每一对神经元之间的连接都拥有一个对于该联接的权值，它是对人脑神经记忆的一种模仿，即神经网络算法的记忆主要是利用权值来体现。其输出根据网络的不同连接方式，不同权重、阈值和激活函数而相异。每一个神经网络都可以被理解为是对某个函数的逼近，或者是某个逻辑策略的体现。
随着对神经网络的不断探索和深入挖掘，近些年，它的一些潜能和用途已经被很好的发现。例如在模式识别、计算机科学、经济学、数学、医学等领域已成功地解决了许多长久以来不能很好解决的问题，展现了非常卓越的性能。
BP神经网络属于前馈神经网络的一种，其重要特征是网络信号的正向传递和误差的向后传播。在网络信号正向传递时，依次经历输入层、隐含层、输出层。每层的神经网络状态只随其上层神经元结点状态的变化而变化。当信号到达输出层时，若输出结果与其实际值存在的偏差未达到要求，则根据其所造成误差使用特定算法修改整个网络结构的连接权值和阈值，以达到输出值逐渐逼近真实值的目的，这个过程循环进行直到达到设定的训练终止条件，一般来讲终止条件有三种，训练时间达到预定时间、学习次数达到预定的学习次数，输出值的误差达到可以接收的程度。BP算法的应用非常广泛，这得益于其简单的结构、良好的操作性以及对任意的非线性输入输出关系强大的模拟能力。
细菌觅食算法(Bacterial Foraging Algorithm,BFA)是2002年由学者Passino提出的一种新型仿生类优化算法，提出此算法是受到大肠杆菌在人体中的生长繁衍规律的启发，BFO类似于粒子群算法、遗传算法，是一种新型群体智能优化算法。具有群体智能算法并行搜索、易跳出局部极小值等优点，其算法具体步骤如下：
(1)参数初始化：设置细菌群体数目N，趋化循环约定次数Nc、繁殖循环约定次数Nre、迁徙操作循环约定次数Ned、迁移概率Ped、趋化过程中的步长C(i)、最大前进步数Ns。
(2)随机生成N个细菌，操作计量数为u，f，q。Θi(u,f,q)即第i个细菌在趋化、繁殖、迁徙操作分别进行了u，f，q次时所处的位置函数
(3)执行迁移循环q＝q+1；
(4)执行繁殖循环f＝f+1；
(5)执行趋化循环u＝u+1；
(6)按照以下步骤执行趋化操作：
1)翻滚运动：按照如下公式进行细菌位置更新：
Θi(u+1,f,q)＝Θi(u,f,q)+C(i)Φ(i)
其中C(i)＞0表示趋化过程中的步长，δ(i)为翻滚过程中生成的任意向量，由此Φ(i)即为方向向量。
2)前进运动：若按照(1)方式翻滚以后适应值得到改善则按照此方向进行前进运动。当前进运动达到最大前进步数Ns时，或者适应值不再向更优的方向变化时，停止运动并进行下一轮的趋化循环。
若u＜Nc，则转到(5)继续执行。
(7)按照以下步骤执行繁殖操作：
当趋化循环次数达到约定的Nc后，计算每一个细菌个体的适应度值，并按照顺序排列将细菌群体分相同数量的两部分，前一部分适应度值较好的进行分裂，即将一个细菌分为完全具有相同位置、相同适应度的两部分，后一半适应度值较差的细菌被淘汰。
若f＜Nre,则转到(4)继续执行。
(8)按照以下步骤执行迁徙操作：
当繁殖循环次数达到约定的次数Nre后，对于每个细菌个体i，生成一个随机概率数εi。
若εi＜Ped,则进行迁移操作，否则不变。
若q＜Ned,则转到(3)继续执行。
(9)重新计算每个细菌个体适应度值，返回其中最优解。
大肠杆菌在人体中的运动是由鞭毛的带动而完成的，鞭毛的拉伸引起大肠杆菌的做翻滚运动、前进运动，这两种运动即是细菌觅食的两个原子操作，此操作对应将对应细菌觅食算法中的趋化算子操作，翻滚使得大肠杆菌在寻找一种能使得自己趋向更好的营养浓度的方向，而前进运动则是在选定了这种方向时执行此方向上的移动以让其本身靠近营养浓度高的有益环境。通过固定的步长，依据感觉器官的感知判断，前进到具有较大营养浓度的地方，开始进行吸取营养。吸取足够的营养后，它们变的成熟。每一个成熟的细菌将自身分裂为两个新的适应度一样的细菌，此现象将对应算法中的繁殖操作。另外，由于环境的陡然改变或者某种利于种群生存的随机性，群体中的一些细菌会被随机的赶到当前觅食环境的其他位置，在算法中这种随机事件对应了迁移算子。细菌觅食算法正是由于受到了大肠杆菌的这些生存与繁衍行为的启示而被提出。
在使用细菌觅食算法做智能优化时，种群中的每一个细菌都代表了待优化问题的一个解。与大多数群体智能感知算法一样，对解进行特定方法的编码来完成这一步骤。通过优化问题的性质决定的适应度函数来对每一个细菌所在位置的食物浓度进行评价。趋化过程中翻滚运动后食物浓度的营养浓度的改变也是由同一函数来进行判断。算法执行的具体过程是对将问题的解编码为细菌、评价其适应度，然后在循环执行趋化、繁殖、迁移三种操作算子来得到一个最优解。
趋化操作模拟了大肠杆菌在环境中的翻滚和前进运动，翻滚运动是一种随动，目的是给出一个前进的随机方向。然后通过评价函数来评价沿此方向运动是否会达到营养浓度增加的目标，若能达到，则按照固定步长执行前进运动，不断的在每一次前进后进行营养浓度评价，直到营养浓度出现减少趋势或者在此方向上达到了规定最大步长。
繁殖操作模拟了细菌的繁殖行为，大肠杆菌个体会随着营养的不断吸取逐渐达到生物成熟状态，在某种合适的条件下发生优选繁殖，即使得适应度较好的一部分细菌分裂为与母体细菌一模一样的两个子细菌，而另外一部分较差细菌被迫淘汰。在BFO算法中，繁殖算子通常是在约定次数的趋向操作后进行一次繁殖操作。
迁移操作是在繁殖操作循环进行约定次数后，个别细菌以随机概率进行位置迁移的操作。对应生物环境的骤变引起的细菌迁移，BFO的迁移操作可以更好的弥补趋化操作和繁殖操作在寻找全局最优解上所表现的不足，趋化操作表现为每个细菌在局部进行最优解的搜索，繁殖操作能提高了算法的搜索效率和收敛速度。
BP神经网络的学习过程包含两个部分，即正方向的输入信号传播和反方向的基于误差缩小的权值和阈值的修正。在正向传播的过程中，每一层都是对输入信号的一种加权处理，直到输出层得到一个分类值。根据误差函数中权值和阈值所代表的未知数在梯度的反方向上可以最快的减小误差函数的值而进行反方向的权值修正。这两个过程一直交替进行至误差达到预设条件为止。因此，BP神经网络的局限性主要表现在以下几个方面：易陷入局部极小值、收敛速度缓慢、网络结构的确定及稳定性、存在遗忘趋势等。
发明内容
为了克服上述现有技术的不足，本发明的目的是提供一种于细菌觅食优化BP神经网络的态势评估算法，针对以上所分析的BP神经网络评估模型所存在的不足，即易陷入局部最优、收敛速度慢及存在遗忘趋势等缺点，本发明采用的技术方案是采用基于细菌觅食优化算法改进的BP神经网络来进行态势评估。
为了实现上述目的，本发明采用的技术方案是：
一种于细菌觅食优化BP神经网络的态势评估算法，包括以下步骤：
1)确定神经网络模型的具体层数与各层节点数；
2)初始化参数，包括神经网络模型的输入结点数、输出结点数、隐含层结点数，以及细菌觅食算法的迁移次数、繁殖次数、趋化次数和基本迁移概率、细菌规模数、前进次数；
3)据经验所得的取值区间，随机生成BP神经网络各个结点连接的权值、节点阈值；所生成的BP神经网络数目等于上一步所初始化的细菌规模数；
4)对步骤c所生成的各个BP神经网络进行编码，使之对应于细菌觅食算法中的细菌个体，最终形成算法的初始群体；
5)根据群体中每个个体所对应的BP神经网络以及训练数据进行仿真输出，计算各个个体的适应值，其适应值函数为
其中，J为BP神经网络的输出误差平方和的1/2；
6)基于步骤e的适应值计算方式，对算法进行迁移、繁殖、趋化循环，直至满足预先设定的寻优次数或当前最优解满足要求；
7)结束寻优，输出当前最优个体。
进一步，通过对BP神经网络学习过程的研究，提出了优化方案，具体训练步骤有
1)从官方网站上准备Hadoop安装包和Android系统源码，搭建Linux下的Android开发环境，建立新工程，调试编译环境；
2)将预处理后的训练样本数据输入神经网络；
3)信息正向传播，其隐含层节点的输出为；
dj＝f(Uj)，j＝1,2,...h，
其中，Wij是输入层与隐含层之间的权值；
输出层节点的输出为；
Qk＝f(Sk),k＝1,2,....,m；
其中，Wjk是隐含层与输出层之间的权值；
4)计算输出层每个节点的实际输出与期望输出Rk之间的误差；
αk＝Qk(Qk-Rk)(1-Qk)；
5)利用上一步计算结果，计算隐含层的误差；
6)按照梯度下降法思想，调整权值和阈值；
Wjk＝Wjk+ηαkUj；
Wij＝Wij+ηβjxi；
Wij＝Wij+ηβjxi；
Φk＝Φk+ηαk；
θj＝θj+ηβj；
其中，η为学习率；
7)取新的训练样本循环训练，当学习次数达到指定次数时，或者实际输出与期望输出之间的误差小于指定值ε时，神经网络训练结束。
进一步，对传统的BP神经网络和细菌觅食算法进行了优化，设计了新的态势评估算法和评价算法，构造出细菌觅食优化由指标层、离散层、规则层、决策层组成的神经网络评估模型，此外搭建了仿真实验环境，安装了主机入侵检测系统的9台终端，其中包括数据库服务器、电子邮件服务器、FTP服务器和Web服务器和另外5台普通终端，在所进行实验局域网网关上安装网络入侵检测系统Snort，通过安装在攻击方终端上的tcpreplay对KDDCUP99的攻击流量进行重放，将其导入被攻击网络。
本发明的有益效果是：
通过利用MATLAB2014进行实验对比测评验证得出，本算法减小了态势评估的误差，提高了网络安全态势评估的准确性。
附图说明
图1为本发明方法的实验环境搭建图；
图2为本发明方法的BP神经网络优化图；
图3为本发明方法的工作流程图；
图4为本发明方法的网络态势准确率对比结果图。
具体实施方式
下面结合实施例和说明书附图对本发明的技术方案做详细的说明，但不限于此。
如图1、3所示，一种于细菌觅食优化BP神经网络的态势评估算法，包括以下步骤：
1)确定神经网络模型的具体层数与各层节点数；
2)初始化参数，包括神经网络模型的输入结点数、输出结点数、隐含层结点数，以及细菌觅食算法的迁移次数、繁殖次数、趋化次数和基本迁移概率、细菌规模数、前进次数；
3)据经验所得的取值区间，随机生成BP神经网络各个结点连接的权值、节点阈值；所生成的BP神经网络数目等于上一步所初始化的细菌规模数；
4)对步骤c所生成的各个BP神经网络进行编码，使之对应于细菌觅食算法中的细菌个体，最终形成算法的初始群体；
5)根据群体中每个个体所对应的BP神经网络以及训练数据进行仿真输出，计算各个个体的适应值，其适应值函数为
其中，J为BP神经网络的输出误差平方和的1/2；
6)基于步骤e的适应值计算方式，对算法进行迁移、繁殖、趋化循环，直至满足预先设定的寻优次数或当前最优解满足要求；
7)结束寻优，输出当前最优个体。
如图2所示，进一步，通过对BP神经网络学习过程的研究，提出了优化方案，具体训练步骤有
1)从官方网站上准备Hadoop安装包和Android系统源码，搭建Linux下的Android开发环境，建立新工程，调试编译环境；
2)将预处理后的训练样本数据输入神经网络；
3)信息正向传播，其隐含层节点的输出为；
dj＝f(Uj)，j＝1,2,...h，
其中，Wij是输入层与隐含层之间的权值；
输出层节点的输出为；
Qk＝f(Sk),k＝1,2,....,m；
其中，Wjk是隐含层与输出层之间的权值；
4)计算输出层每个节点的实际输出与期望输出Rk之间的误差；
αk＝Qk(Qk-Rk)(1-Qk)；
5)利用上一步计算结果，计算隐含层的误差；
6)按照梯度下降法思想，调整权值和阈值；
Wjk＝Wjk+ηαkUj；
Wij＝Wij+ηβjxi；
Wij＝Wij+ηβjxi；
Φk＝Φk+ηαk；
θj＝θj+ηβj；
其中，η为学习率；
7)取新的训练样本循环训练，当学习次数达到指定次数时，或者实际输出与期望输出之间的误差小于指定值ε时，神经网络训练结束。
进一步，对传统的BP神经网络和细菌觅食算法进行了优化，设计了新的态势评估算法和评价算法，构造出细菌觅食优化由指标层、离散层、规则层、决策层组成的神经网络评估模型，此外搭建了仿真实验环境，安装了主机入侵检测系统的9台终端，其中包括数据库服务器、电子邮件服务器、FTP服务器和Web服务器和另外5台普通终端，在所进行实验局域网网关上安装网络入侵检测系统Snort，通过安装在攻击方终端上的tcpreplay对KDDCUP99的攻击流量进行重放，将其导入被攻击网络。
本发明通过对比了标准的BP网络，基于动量项的BP网络，基于信赖域法(Levenberg Marquardt，LM)学习方法的BP网络的算法，验证所提出的细菌觅食优化BP神经网络的迭代次数和训练误差，以及态势的准确率，并且通过模拟局域网中外部的网络攻击，根据网络态势指标的规定，收集局域网中测试数据，对网络安全态势进行评估。根据周期内收集的测试集的样本数对当前网络做出实际评估，来验证本文所提出细菌觅食优化BP神经网络方法的识别率，并与标准的BP网络，基于动量项的BP网络，基于信赖域法(LevenbergMarquardt，LM)学习方法的BP网络的算法评估态势的准确率进行对比，结果如图4显示，细菌觅食优化BP神经网络算法在网络态势准确率上的表现优于标准的BP网络，基于动量项的BP网络，基于信赖域法(Levenberg Marquardt，LM)学习方法的BP网络的算法。
实施例：
首先搭建了一个仿真实验平台，其中包括安装了主机入侵检测系统的9台终端，其中包括数据库服务器、电子邮件服务器、FTP服务器和Web服务器和另外5台普通终端，并确保在实验环境成功建立的条件下运行MATLAB2014软件，检查软件运行结果。
其次，在所进行实验局域网网关上安装网络入侵检测系统Snort，通过安装在攻击方终端上的tcpreplay对KDD CUP99的攻击流量进行重放，将其导入被攻击网络。以所安装入侵检测系统的告警和作为本文的数据集。
该方法通过利用细菌觅食BP神经网络，设计新的态势评估算法和评价函数，并能通过实验验证，可提高网络安全态势评估的准确性。
Claims (3)
1.一种于细菌觅食优化BP神经网络的态势评估算法，其特征在于，包括以下步骤：
1)确定神经网络模型的具体层数与各层节点数；
2)初始化参数，包括神经网络模型的输入结点数、输出结点数、隐含层结点数，以及细菌觅食算法的迁移次数、繁殖次数、趋化次数和基本迁移概率、细菌规模数、前进次数；
3)据经验所得的取值区间，随机生成BP神经网络各个结点连接的权值、节点阈值；所生成的BP神经网络数目等于上一步所初始化的细菌规模数；
4)对步骤c所生成的各个BP神经网络进行编码，使之对应于细菌觅食算法中的细菌个体，最终形成算法的初始群体；
5)根据群体中每个个体所对应的BP神经网络以及训练数据进行仿真输出，计算各个个体的适应值，其适应值函数为
其中，J为BP神经网络的输出误差平方和的1/2；
6)基于步骤e的适应值计算方式，对算法进行迁移、繁殖、趋化循环，直至满足预先设定的寻优次数或当前最优解满足要求；
7)结束寻优，输出当前最优个体。
2.根据权利要求1所述的一种于细菌觅食优化BP神经网络的态势评估算法，其特征在于，通过对BP神经网络学习过程的研究，提出了优化方案，具体训练步骤有：
1)从官方网站上准备Hadoop安装包和Android系统源码，搭建Linux下的Android开发环境，建立新工程，调试编译环境；
2)将预处理后的训练样本数据输入神经网络；
3)信息正向传播，其隐含层节点的输出为；
dj＝f(Uj)，j＝1,2,...h，
其中，Wij是输入层与隐含层之间的权值；
输出层节点的输出为；
Qk＝f(Sk),k＝1,2,....,m；
其中，Wjk是隐含层与输出层之间的权值；
4)计算输出层每个节点的实际输出与期望输出Rk之间的误差；
αk＝Qk(Qk-Rk)(1-Qk)；
5)利用上一步计算结果，计算隐含层的误差；
6)按照梯度下降法思想，调整权值和阈值；
Wjk＝Wjk+ηαkUj；
Wij＝Wij+ηβjxi；
Wij＝Wij+ηβjxi；
Φk＝Φk+ηαk；
θj＝θj+ηβj；
其中，η为学习率；
7)取新的训练样本循环训练，当学习次数达到指定次数时，或者实际输出与期望输出之间的误差小于指定值ε时，神经网络训练结束。
3.根据权利要求1所述的一种于细菌觅食优化BP神经网络的态势评估算法，其特征在于，对传统的BP神经网络和细菌觅食算法进行了优化，设计了新的态势评估算法和评价算法，构造出细菌觅食优化由指标层、离散层、规则层、决策层组成的神经网络评估模型，此外搭建了仿真实验环境，安装了主机入侵检测系统的9台终端，其中包括数据库服务器、电子邮件服务器、FTP服务器和Web服务器和另外5台普通终端，在所进行实验局域网网关上安装网络入侵检测系统Snort，通过安装在攻击方终端上的tcpreplay对KDD CUP99的攻击流量进行重放，将其导入被攻击网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910225959.8A CN109948771A (zh) | 2019-03-25 | 2019-03-25 | 一种基于细菌觅食优化bp神经网络的态势评估算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910225959.8A CN109948771A (zh) | 2019-03-25 | 2019-03-25 | 一种基于细菌觅食优化bp神经网络的态势评估算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109948771A true CN109948771A (zh) | 2019-06-28 |
Family
ID=67011676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910225959.8A Pending CN109948771A (zh) | 2019-03-25 | 2019-03-25 | 一种基于细菌觅食优化bp神经网络的态势评估算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948771A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275347A (zh) * | 2020-02-04 | 2020-06-12 | 重庆亿创西北工业技术研究院有限公司 | 博弈粗糙集的概率阈值计算方法、装置、设备和存储介质 |
| CN111314361A (zh) * | 2020-02-24 | 2020-06-19 | 杭州安恒信息技术股份有限公司 | 一种基于细菌觅食算法的攻击威胁感知方法和装置 |
| CN112634019A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 基于细菌觅食算法优化灰色神经网络的违约概率预测方法 |
| CN116933923A (zh) * | 2023-07-12 | 2023-10-24 | 淮阴工学院 | 一种智能物联光伏蜂场优化系统及方法 |
| CN117390079A (zh) * | 2023-09-05 | 2024-01-12 | 西安易诺敬业电子科技有限责任公司 | 用于数据中台的数据处理方法及系统 |
-
2019
- 2019-03-25 CN CN201910225959.8A patent/CN109948771A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275347A (zh) * | 2020-02-04 | 2020-06-12 | 重庆亿创西北工业技术研究院有限公司 | 博弈粗糙集的概率阈值计算方法、装置、设备和存储介质 |
| CN111314361A (zh) * | 2020-02-24 | 2020-06-19 | 杭州安恒信息技术股份有限公司 | 一种基于细菌觅食算法的攻击威胁感知方法和装置 |
| CN111314361B (zh) * | 2020-02-24 | 2022-09-23 | 杭州安恒信息技术股份有限公司 | 一种基于细菌觅食算法的攻击威胁感知方法和装置 |
| CN112634019A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 基于细菌觅食算法优化灰色神经网络的违约概率预测方法 |
| CN116933923A (zh) * | 2023-07-12 | 2023-10-24 | 淮阴工学院 | 一种智能物联光伏蜂场优化系统及方法 |
| CN116933923B (zh) * | 2023-07-12 | 2024-07-26 | 淮阴工学院 | 一种智能物联光伏蜂场优化系统及方法 |
| CN117390079A (zh) * | 2023-09-05 | 2024-01-12 | 西安易诺敬业电子科技有限责任公司 | 用于数据中台的数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948771A (zh) | 一种基于细菌觅食优化bp神经网络的态势评估算法 | |
| Zhang et al. | AS-NAS: Adaptive scalable neural architecture search with reinforced evolutionary algorithm for deep learning | |
| Gallo | Artificial neural networks tutorial | |
| Khanesar et al. | A novel type-2 fuzzy membership function: Application to the prediction of noisy data | |
| CN112884131A (zh) | 一种基于模仿学习的深度强化学习策略优化防御方法和装置 | |
| CN113255936A (zh) | 基于模仿学习和注意力机制的深度强化学习策略保护防御方法和装置 | |
| CN110223785A (zh) | 一种基于深度学习的传染病传播网络重构方法 | |
| Lin et al. | Simultaneous feature and instance selection in big noisy data using memetic variable neighborhood search | |
| Zhou et al. | A chaotic parallel artificial fish swarm algorithm for water quality monitoring sensor networks 3D coverage optimization | |
| CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
| Duan et al. | Design of intrusion detection system based on improved ABC_elite and BP neural networks | |
| Zhang et al. | Optimization of neural network based on genetic algorithm and BP | |
| Cao et al. | A decision-making framework of hybrid system based on modified hybrid stochastic timed Petri net and deep learning | |
| Hemmati et al. | Bypassing Web Application Firewalls Using Deep Reinforcement Learning. | |
| CN111028512B (zh) | 一种基于稀疏bp神经网络的实时交通预测方法及装置 | |
| Guo et al. | Improved CS algorithm and its application in parking space prediction | |
| Ge et al. | Crowd evolution method based on intelligence level clustering | |
| Liu et al. | Time-varying social emotional optimisation algorithm | |
| Zeng et al. | A Novel Multi-agent Evolutionary Algorithm for Assembly Sequence Planning. | |
| Wang et al. | Network intrusion detection based on lightning search algorithm optimized extreme learning machine | |
| Zhang | A novel sexual adaptive genetic algorithm based on Baldwin effect for global optimization | |
| Cho et al. | A comparative study of teaching-learning-self-study algorithms on benchmark function optimization | |
| Li et al. | Enhanced particle swarm optimization based on reference direction and inverse model for optimization problems | |
| Valizadeh et al. | Application of artificial intelligent tools to modeling of glucosamine preparation from exoskeleton of shrimp | |
| Singh et al. | Solution of Bio-Medical Problem by Genetic Algorithm |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |