面向入侵检测系统的EBP算法研究

马占飞; 张涵

Chinese

您当前的位置：

首页 >

文章列表页 >

面向入侵检测系统的EBP算法研究

更新时间：2026-09-04

- 面向入侵检测系统的EBP算法研究
- The Research of EBP Algorithm for Intrusion Detection System
- 微电子学与计算机 2016年33卷第6期页码：117-122
- 作者机构：
  
  1. 内蒙古科技大学包头师范学院机构计算机系,内蒙古,包头,014030
  2. 内蒙古科技大学机构信息工程学院计算机系,内蒙古,包头,014010
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目 61163025内蒙古自治区自然科学基金项目 2010BS0904内蒙古自治区高等学校科学研究基金项目 NJ10162内蒙古自治区高等学校科学研究基金项目 NJZY14242内蒙古自治区高等学校科学研究基金项目 NJZY201包头市科学研究基金项目 2014S2004-3-1-26
- DOI：
  中图分类号：
- 纸质出版：2016
- 稿件说明：
移动端阅览
马占飞, 张涵. 面向入侵检测系统的EBP算法研究[J]. 微电子学与计算机, 2016, 33(6): 117-122, 125.

MA Zhan-fei, ZHANG Han. The Research of EBP Algorithm for Intrusion Detection System[J]. 2016, 33(6): 117-122.
马占飞, 张涵. 面向入侵检测系统的EBP算法研究[J]. 微电子学与计算机, 2016, 33(6): 117-122, 125. DOI：

MA Zhan-fei, ZHANG Han. The Research of EBP Algorithm for Intrusion Detection System[J]. 2016, 33(6): 117-122. DOI：

摘要

BP算法是入侵检测系统(IDS)的一种重要检测方法

但是该算法存在检测时间长、效率低下等局限性.为了解决以上问题

通过对BP算法的深入剖析

提出了一种面向入侵检测系统的新算法——EBP(Enhanced BP)算法.EBP算法通过改进误差函数、增加可自适应放大的误差信号等方法

较好地解决了IDS的检测速度慢、检测效率低下等问题.实验结果表明

EBP算法相比经典的BP算法和MBP算法

不仅在网络训练的收敛速度上有了明显改善

而且在IDS的检测效率上分别提高了14.0%和8.1%

在误报率上分别降低了4.45%和1.5%.

Abstract

Although BP algorithm is a very important method in the intrusion detection systems (IDS)

it can cause the system problems of long time detection and low detection rate. To solve these problems

through analyzing the BP algorithm

a novel EBP algorithm (Enhanced BP algorithm) for IDS is constructed. An improved error function is designed in EBP algorithm to solve some disadvantages of the IDS

such as the slower detection speed and detection efficiency. Moreover

a self-adaptive method of magnifying error signal is also proposed. The results show that the EBP algorithm is an efficient algorithm. Compared with the classical BP algorithm and the MBP algorithm

the EBP algorithm can not only increases the convergence speed of network training obviously

but also improves the detection rate of IDS to 14.0% and 8.1% respectively. Besides

the decrease in false positive rate of EBP algorithm is 4.45% and 1.5% than other two algorithms respectively.

关键词

Keywords

references

Panda M, Abraham A, Patra M R. A hybrid intelligent approach for network intrusion detection[J]. Procedia Engineering, 2012, 30(1): 1-9. DOI: 1

Haruhiko T, Hidehiko K, Terumine H. Partially weight minimization approach for fault tolerant multilayer neural networks[C]//Neural Networks, Proceedings of the 2002 International Joint Conference on. Japan: IEEE, 2002: 1092-1096.

Beijing Simon H. Neural networks, a comprehensive foundation[M]. Beijing: China, Machine Press, 2004: 109-175. DOI: 109

Luo B, Xia J. A novel intrusion detection system based on feature generation with visualization strategy[J]. Expert Systems with Applications, 2014, 41(9): 4139-4147. DOI: 4139

Zweiri Y H, Whidborne J F, Seneviratne L D. A three-term backpropagation algorithm[J]. Neurocomputing, 2003, 50(1): 305-318. DOI: 305

Advances in Neural Networks-ISNN 2009. Berlin Heidelberg Wang Y, Gu D, Li W, et al. Network intrusion detection with workflow feature definition using bp neural network[M]. Advances in Neural Networks-ISNN 2009. Berlin Heidelberg: Springer, 2009: 60-67. DOI: 60

程玥, 刘琼荪. 一种放大误差信号的BP算法[J]. 计算机应用研究, 2011, 28(2): 529-531. DOI: 529

史美林, 钱俊, 许超. 入侵检测系统数据集评测研究[J]. 计算机科学, 2006, 33(8): 1-8. DOI: 1

Liao H J, Richard Lin C H, Lin Y C, et al. Intrusion detection system: A comprehensive review[J]. Journal of Network and Computer Applications, 2013, 36(1): 16-24. DOI: 16

Wang X G, Tang Z, Tamura H, et al. A modified error function for the backpropagation algorithm[J]. Neurocomputing, 2004, 57(5): 477-484. DOI: 477

Cho J, Lee C, Cho S, et al. A statistical model for network data analysis: KDD CUP 99'data evaluation and its comparing with MIT Lincoln Laboratory network data[J]. Simulation Modelling Practice and Theory, 2010, 18(4): 431-435. DOI: 431

Ng S C, Cheung C C, Leung S H. Magnified gradient function with deterministic weight modification in adaptive learning[J]. Neural Networks, IEEE Transactions on, 2004, 15(6): 1411-1423. DOI: 1411

许朋飞. 基于神经网络的入侵检测系统的研究与实现[D]. 山东: 山东大学, 2008: 31-32.

杨雅辉, 黄海珍, 沈晴霓, 等. 基于增量式GHSOM神经网络模型的入侵检测研究[J]. 计算机学报, 2014, 37(5): 1216-1224. DOI: 1216

周国雄, 沈学杰, 李琳, 等. 基于AdaBoost的网络入侵智能检测[J]. 系统仿真学报, 2014, 25(7): 1517-1521. DOI: 1517

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

大模型发展综述：从BERT到Deepseek的技术演进

注意力机制与改进密集卷积引导的信息隐藏模型

AlN/GaN混合缓冲层双异质结p-GaN HEMT直流特性仿真

基于区块链的AI生成内容溯源框架设计研究

一种基于特征上下文理解与切片分析的肺结核检测算法