原创《模糊网络入侵中多层序列特征自动提取方法》：本论文可用于多层论文范文参考下载，多层相关论文写作参考研究。
摘 要： 模糊网络中入侵特征较为多样化,无法通过固定的阈值进行合理判断.为了解决模糊网络入侵检测方法存在检测率低、误报率高和检测速度慢等问题,提出一种基于量子神经网络的层序列特征自动提取方法.在该算法中,通过对模糊网络进行层次划分,运用量子BP神经网络模型以量子形式形态的空间思维结构来提取信息,通过量子空间结构中量子门的移位与旋转变化对神经网络量子形态相位进行操作,完成多层序列特征自动提取.仿真实验表明,该算法具有较好高的检测率和检测效率,并且误报率较低.
关键词： 模糊网络； 入侵检测； 分层操作； 特征自动提取
中图分类号： TN711?34； TP393.08 文献标识码： A 文章编号： 1004?373X（2017）10?0114?04
Abstract： The intrusion features in fuzzy network are diverse, so the intrusion features can not be reasonably judged with the fixed threshold. A kind of layer sequence characteristics′ automatic extraction method based on quantum neural network is put forward to solve the problems of low detection rate and high false rate and slow detection speed in the fuzzy network intrusion detection methods. In this algorithm, the quantum BP neural network model is used to extract information in the space thinking structure of quantum form by means of hierarchical division of fuzzy network, and the phase in quantum form of neural network is operated by means of quantum gate displacement and rotation changes in quantum space structure to complete automatic extraction of multilayered sequence features. The experimental simulation result show that the algorithm has better detection rate, detection efficiency and low false alarm rate.
Keywords： fuzzy network； intrusion detection； hierarchical operation； characteristic automatic extraction
0 引 言
入侵檢测为保证网络安全的重要技术,通过学习能力、适应能力较高的智能学习算法完成检测,不但可以提高检测精度,还可以大大降低错误率.因此,在智能学习算法的基础之上,研究入侵检测方法是很有意义的[1].在模糊网络的入侵特征提取中,出现了很多较好的方法,支持向量机是一种依据核函数的学习算法,将非线性训练集投影至高维空间中,使非线性训练集达到线性可分的目的,将最大优化间隔面看作分类面,识别样本数据并对其进行分类整理[2].文献[3]提出一种基于[K]近邻算法的入侵检测方法,依据待测样本与相邻样本之间的距离确定权重,从而实现样本数据集的分类,达到入侵检测的目的.该方法实现过程简单,然而在计算相邻样本权重时,容易造成局部出现最优的问题.文献[4]在信息熵的基础上,提出一种[K]邻近算法,将其应用于入侵检测中,利用样本信息熵完成分类,从而实现入侵检测.该方法检测效率高,然而其信息熵的求解方法不可靠,导致入侵检测结果不可靠.文献[5]在提出一种基于支持多种向量机的检测方法,通过分散方法实现对集合的训练,构建分类器,通过分类器实现入侵检测.该方法检测精度高,但其中聚类处理对初始值的要求较高,且该方法计算量非常大.
依据上述分析,本文提出了一种基于量子神经网络的层序列特征自动提取方法.在该算法中,通过对模糊网络进行层次划分,运用量子BP神经网络模型以量子形式形态的空间思维结构来提取信息,通过量子空间结构中的量子门的移位与旋转变化对神经网络量子形态相位进行操作,完成多层序列特征自动提取.仿真实验证明,该算法具有较高的检测率和检测效率,并且误报率较低.
1 模糊网络入侵中多层序列划分步骤
Step1：如果由[α]代表模糊网络入侵特征的约简阈值,在有限样本集存放在临界值[N]的状态下,满足于[α≥N]的条件,假如在样本中不含有简约样本,那么样本的简约程度不会受到[α]值的影响,可通过不断简约调整其[α]的取值.
Step2：假设由[xi]代表模糊网络中训练集[L]的样本,则需要计算出[Ci]代表的相对应的最近领链[6?7].
Step3：相对于[Ci]代表的最近领链的距离序列,需要满足于：
Step4：假如对[xij]代表的模糊网络训练集[L]中标记的入侵特征进行初始化操作,会获取[L′]代表的简约特征.
Step5：当模糊网络的入侵特征变换为多类分类问题时,对于[L]可形成多层次分类的局面,其任意的入侵数据都可以进行约简.针对[c]分类问题,对入侵的特征进行[c-1]次约简,从而得到[c-1]的层次集合,则会将相同类型的层次结果归纳为相同类别的最终分层内容.
多层论文参考资料：
结论：模糊网络入侵中多层序列特征自动提取方法为关于本文可作为相关专业多层论文写作研究的大学硕士与本科毕业论文多层论文开题报告范文和职称论文参考文献资料。
