网络入侵检测的建模与仿真研究

第２８卷第１２期　计算机仿真　２０１１年１２月　

文章编号：１００６—９３４８（２０１１）１２—０１０３—０４　

网络入侵检测的建模与仿真研究　

刘金生　

（河北师范大学数学与信息科学学院，河北石家庄０５００１６）　

摘要：研究网络安全问题，由于网络攻击有从病毒到传播网络等多种方式，且网络入侵具有高维性、多样性和复杂性，传统检　

测方法难以正确识别网络人侵各种特性，导致网络人侵检测正确率低，误报率和漏报率高的难题。为了提高网络安全，提出　

一

种基于主成分分析的改进神经网络网络人侵检测模型。模型首先采用主成分分析对网络原始数据进行预处理，降低数据　

的维数，消除无关的信息，简单检测模型结构，然后采用粒子群算法对ＲＢＦ神经网络参数进行优化，将最优模型用于网络入　

侵检测。仿真结果表明，提高了网络入侵检测的正确率，加快了检测速度，证明是一种有效和实时的识别网络入侵检测的准　

确方法。　

关键词：主成分分析；粒子群算法；神经网络；网络入侵　

中图分类号：ＴＰ３９３　文献标识码：Ａ　

Ｓｉｍｕｌａｔｉｏｎ　ａｎｄ　Ｍｏｄｅｌｉｎｇ　ｏｆ　Ｎｅｔｗｏｒｋ　Ｉｎｔｒｕｓｉｏｎ　Ｄｅｔｅｃｔｉｏｎ　

ＬＩＵ　Ｊｉｎ—ｓｈｅｎｇ　

（Ｍａｔｈｅｍａｔｉｃｓ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｃｏｌｌｅｇｅ，Ｈｅｂｅｉ　Ｎｏｒｍａ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈ￣ｉａｚｈｕａｎｇ　Ｈｅｂｅｉ　０５００１６，Ｃｈｉｎａ）　

ＡＢＳＴＲＡＣＴ：Ｓｔｕｄｙ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｏｆ　ｎｅｔｗｏｒｋ　ｓｅｃｕｒｉｔｙ．Ｎｅｔｗｏｒｋ　ｉｎｔｒｕｓｉｏｎ　ｉｓ　ｏｆ　ｈｉｇｈ—ｄｉｍｅｎｓｉｏｎ，ｄｉｖｅｒｓｉｔｙ　ａｎｄ　ｃｏｍ—　

ｐｌｅｘｉｔｙ，ａｎｄ　ｉｔ　ｉｓ　ｄｉｆｉｆｃｕｌｔ　ｆｏｒ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ｄｅｔｅｃｔｉｏｎ　ｍｅｔｈｏｄｓ　ｔｏ　ｉｄｅｎｔｉｆｙ　ｎｅｔｗｏｒｋ　ｉｎｔｒｕｓｉｏｎ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｗｈｉｃｈ　

ｌｅａｄｓ　ｔｏ　ｔｈｅ　ｌｏｗ　ａｃｃｕｒａｃｙ　ｏｆ　ｎｅｔｗｏｒｋ　ｉｎｔｕｒｓｉｏｎ　ｄｅｔｅｃｔｉｏｎ，ａｎｄ　ｈｉｇｈ　ｒａｔｅ　ｏｆ　ｆａｌｓｅ．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｎｅｔｗｏｒｋ　ｓｅｃｕ—　

ｒｉｔｙ，ａ　ｎｅｔｗｏｒｋ　ｉｎｔｒｕｓｉｏｎ　ｄｅｔｅｃｔｉｏｎ　ｍｏｄｅｌ　ｗａｓ　ｐｒｏｐｏｓｅｄ　ｂａｓｅｄ　ｏｎ　ｐｒｉｎｃｉｐａｌ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ　ａｎｄ　ｉｍｐｒｏｖｅｄ　ｎｅｕｒａｌ　

ｎｅｔｗｏｒｋ．Ｔｈｅ　ｍｏｄｅｌ　ｕｓｅｄ　ｔｈｅ　ｐｒｉｎｃｉｐａｌ　ｃｏｍｐｏｎｅｎｔｓ　ａｎａｌｙｓｉｓ　ｔｏ　ｐｒｅｐｒｏｃｅｓｓ　ｔｈｅ　ｎｅｔｗｏｒｋ　ｄａｔａ，ｒｅｄｕｃｅ　ｔｈｅ　ｄａｔａ　ｄｉｍｅｎ－　

ｓｉｏｎｓ，ｅｌｉｍｉｎａｔｅ　ｔｈｅ　ｉｒｒｅｌｅｖａｎｔ　ｉｎｆｏｒｍａｔｉｏｎ，ａｎｄ　ｓｉｍｐｌｉｆｙ　ｔｈｅ　ｎｅｔｗｏｒｋ　ｓｔｒｕｃｔｕｒｅ．Ｔｈｅｎ　ｔｈｅ　ｐａｒａｍｅｔｅｒｓ　ｏｆ　ＲＢＦ　ｎｅｕｒａｌ　

ｎｅｔｗｏｒｋ　ｗｅｒｅ　ｏｐｔｉｍｉｚｅｄ　ｂｙ　ｐａｒｔｉｃｌｅ　ｓｗａｍｉ　ａｌｇｏｒｉｔｈｍ．Ｆｉｎａｌｌｙ，ｔｈｅ　ｏｐｔｉｍａｌ　ｍｏｄｅｌ　ｉｓ　ａｐｐｌｉｅｄ　ｔｏ　ｔｈｅ　ｎｅｔｗｏｒｋ　ｉｎｔｒｕｓｉｏｎ　

ｄｅｔｅｃｔｉｏｎ．Ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ，ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｏｔｈｅｒ　ｎｅｔｗｏｒｋ　ｉｎｔｒｕｓｉｏｎ　ｄｅｔｅｃｔｉｏｎ　ｍｏｄｅｌ，ｔｈｅ　ｐｒｏｐｏｓｅｄ　

ｍｏｄｅｌ　ｉｍｐｒｏｖｅｓ　ｔｈｅ　ｎｅｔｗｏｒｋ　ｉｎｔｕｒｓｉｏｎ　ｄｅｔｅｃｔｉｏｎ　ａｃｃｕｒａｃｙ　ａｎｄ　ｓｐｅｅｄｓ　ｕｐ　ｔｈｅ　ｄｅｔｅｃｔｉｏｎ　ｓｐｅｅｄ，ａｎｄ　ｉｔ　ｉｓ　ａｎ　ｅｆｆｅｃｔｉｖｅ　ａｎｄ　

ｒｅａｌ—ｔｉｍｅ　ｎｅｔｗｏｒｋ　ｉｎｔｒｕｓｉｏｎ　ｄｅｔｅｃｔｉｏｎ　ｍｏｄｅ１．　

ＫＥＹ　ＷＯＲＤＳ：ＰＣＡ；ＰＳ０；Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；Ｎｅｔｗｏｒｋ　ｉｎｔｕｒｓｉｏｎ　

手段，受到越来越多的关注　。　

１　引言　

传统网络入侵检测研究主要集中在异常检测和特征检　

近年来，伴随着Ｉｎｔｅｒｎｅｔ的迅速发展，网络资源的开放　

测两个方向，取得了不错的结果。但是网络检测的入侵行为　

性、共享性程度越来越高，各种针对网络系统的攻击变得越　

还有待于进一步明确和研究　。近年来，有些学者应用人工　

来越普遍，其攻击方式从早期的本地病毒攻击方式演化成如　

免疫理论进行网络入侵研究，但是其检测的正确率还有待于　

今的分布式、高速传播的网络攻击行为。由于因特网具有跨　

进一步提高Ｍ　；还有学者将人工神经网络用于网络入侵检测　

国界性、无主管性、缺少法律约束性等特点，使得网络安全已　

研究，但是由于网络入侵检测数据具有高维特征，从而导致　

成为了一个全球性的重要问题…。快速、有效地对网络入侵　

其训练时间过长　ｊ。主成分分析（ＰＣＡ）是一种常用的数据　

行为进行检测和阻止，对维护网络资源安全具有十分重要意　

降维方法，通过计算样本协方差矩阵的本征向量，线性地将　

义。网络入侵安全检测作为维护网络安全的一种重要技术　

输入空间映射到低维的特征空问，并且获得的新的低维向量　

互不相关。径向基函数神经网络（ＲＢＦＮＮ）具有较好的非线　

基金项目：河北师范大学青年基金资助项目（Ｌ２００９Ｑ０２）　

性、自学习能力、收敛速度快等优点。粒子群算法（ＰＳＯ）采　

收稿日期：２０１１—０１—２０　

用速度——位移搜索模型，通过群体中粒子间竞争与合作来　

一

１０３—　

搜寻全局最优解。利用ＰＳＯ算法来训练ＲＢＦ神经网络的参　

数，对网络结构进行优化，可以充分发挥ＰＳＯ算法良好的局　

部收敛能力和全局的寻优能力的优势，从而有效地提高了　

ＲＢＦ神经网络的学习能力与泛化能力。　

的Ｐ个特征值Ａ　，Ａ　，…，Ａ　和Ｐ个Ｐ维特征向量Ｅ＝（ｅ　，ｅ　，　

…

，

ｅ　）。此处，Ｅ表示Ｐ　ＸＰ维单位化正效特征向量矩阵Ａ。　

≥Ａ　…≥Ａ。，ｅ　表示其对应的特征向量。若存在一个新网　

络入侵样本ｙ，可用式（３）表示它的Ｐ个主成分分量。　

本文结合ＰＣＡ及ＲＢＦ神经网络理论进行网络入侵检　

测，利用ＰＣＡ对原始数据样本进行降维处理，然后输入到　

多＝Ｅｒｙ　

３．２粒子群ＲＢＦ神经网络算法　

（３）　

ＲＢＦ神经网络进行入侵安全检测，利用ＰＳＯ算法对ＲＢＦ神　

经网络参数进行优化，获得最优的ＲＢＦ神经网络模型。仿　

真结果表明，利用主成分分析的粒子群ＲＢＦ神经网络进行　

网络入侵安全检测，较各参比模型，其检测性能及效率都有　

了较大幅度的提高。　

２网络入侵安全检测原理　

入侵安全检测是网络安全体系框架中的一个重要组成　

部分，其目的是检测出系统中一些未经授权的使用、滥用计　

算机资源的行为，对资源的完整性、机密性和可用性进行有　

效地保护，是一个自动的过程。现有的网络入侵检测技术还　

存在一些缺点：如检测速度慢、时效性低、误警率高以及与其　

他一些信息安全技术交互性不强等　。利用主成分分析的　

粒子群ＲＢＦ神经网络进行网络入侵安全检测，可以充分利　

用ＰＣＡ对入侵数据进行降维处理，剔除出噪音数据，有效地　

减少ＲＢＦ神经网络的输入维数，优化了网络的结构。粒子　

群ＲＢＦ神经网络有着良好的非线性映射能力，利用网络输　

入与输出之间关系，有效地检测出网络人侵行为和入侵种　

类。其检测过程见图１。　

图１　网络入侵安全检测图　

３　ＰＣＡ—ＰＳＯＲＢＦ神经网络网络安全检测算法　

３．１主成分分析　

在网络入侵安全检测中，系统要处理的数据基本都是高　

维数据，因此，利用ＰＣＡ方法对高维数据进行降维处理，利　

用获得的新变量来描述原始数据，从而达到降维的目的。设　

原始数据集　有ｍ个数据变量，每个数据具有Ｐ个特征属　

性　即Ｘ＝（Ｘ１，Ｘ２，…，　），Ｘｉ＝（　，…，　）　，（ｉ＝１，　

２，…，ｍ）。设　的协方差矩阵为Ｃ，Ａ　，Ａ：，…，Ａ。表示协方　

差矩阵ｃ的Ｐ个特征根，即：　

ｃ＝∑（　一ｕ）（　一　）　（１）　

ｕ＝　∑　，ｎ　（２）　

式中，　表示　的均值向量，本文利用特征值分析法求出ｃ　

一

１０４一　

３．２．１　ＲＢＦ神经网络　

ＲＢＦ神经网络是由输入层、隐含层和输出层构成的三层　

前馈型神经网络，隐含层采用基函数作为激励函数，本研究　

利用高斯径向基函数作为隐含层基函数。ＲＢＦ神经网络结　

构简单，训练简单，学习收敛速度很快，有逼近任意非线性函　

数的能力。　

设ＲＢＦ神经网络输入层有Ⅳ个神经元，输入向量为Ｘ∈　

，

Ｘ＝（　．，　，…，　）　，输出层有　个神经元，输出变量为　

ＹＥ　Ｒ　，Ｙ＝（Ｙ。，Ｙ：，…，Ｙ　）　，隐含层有　个神经元，隐含层输　

出变量为Ｚ∈Ｒ　，Ｚ＝（　，”　，…，　）　，则隐含层神经元节点输　

出按下式计算：　

Ｚ　＝　Ｉ　＿ｃｆ　ＩＩ＝ｅｘｐ［＿　］（４）　

式中，ｃ　和　分别表示网络隐含层单元基函数的中心和宽　

度，　表示当输入第Ｐ个样本时隐节点ｉ的输出。此时，ＲＢＦ　

神经网络的输出见下式：　

ｆ　

Ｙ　＝∑ｗｑ　（　一Ｃｉ　ＩＩ）　（５）　

式中，，，　表示当输入第Ｐ个样本时第ｉ个节点的输出，　表示　

第　个径向基函数连接到第ｉ个输出节点的权值。　

３．２．２粒子群算法　

ＰＳＯ算法是在１９９５年由Ｅｂｅｒｈａｒｔ等开发的一种演化计　

算方法。在ＰＳＯ算法中，将每个个体看作Ｄ维搜索空间中　

的一个粒子，这些粒子在搜索空间中以一定的速度飞行，粒　

子们根据其本身的飞行经验以及同伴的飞行经验动态调整　

其飞行速度，所有的粒子都有一个被目标函数决定的适应　

值。粒子们追随当前的最优粒子在解空间中搜索路径，并通　

过迭代找到其最优解。每一次迭代中，粒子通过跟踪个体极　

值Ｐ　和全局极值ｇ　来不断地更新自己，在搜索这两个极　

值过程中，粒子们根据下式来对自身的速度和位置进行　

更新：　

（ｉ＋１）＝６０×　ｆｄ（ｉ）＋ｃｌ×ｒａｎｄ（）×（Ｐ　ｌ一　（ｉ）＋ｃ２　

×ｒａｎｄ（）Ｘ（ｇ　一　（ｉ））　（６）　

ｆｄ

（ｉ＋１）＝　ｆｄ（ｉ）＋　（ｉ＋１）　（７）　

∞：　

二【　争　１Ｖ（８）　

ｍ　

式中，Ⅳ、Ⅳｍ　分别表示当前进化代数和最大进化代数；　

（ｉ）、　（ｉ＋１）分别表示当前粒子速度和更新后的速度；　

（ｉ）、　（ｉ＋１）分别表示当前粒子的位置和更新后的位置；ｔＯ　

表示惯性权重，用于平衡全局搜索和局部搜索；ｒａｎｄ（）表示　

介于（０，１）的随机数，ｃ　，ｃ　表示学习因子，通常选择ｃ。＝ｃ　

＝

２ｏ　

８）利用获得的最优ＲＢＦ神经网络模型，对网络安全入　

侵测试集数据进行测试，用以验证模型检测的精度。具体流　

程见图２。　

３．２．３　ＰＳＯ算法优化ＲＢＦ神经网络　

利用ＰＳＯ算法对ＲＢＦ神经网络进行优化的学习过程分　

为２个阶段：第一阶段是预设定ＲＢＦ神经网络的径向基函数　

参数，利用减聚类算法确定基函数的中心数目ｎ；第二阶段是　

利用ＰＳＯ算法对样本进行训练，搜索隐含层各节点的中心值　

ｃ　、宽度　，以及网络隐含层与输出层之间的连接权值　。　

具体操作步骤如下：　

１）确定粒子的速度变量　和位置变量　的上、下限，　

并初始化局部最优Ｐ　和全局最优ｇ　；　

２）将粒子群中的每一个粒子的参数映射为ＲＢＦ神经网　

络的参数，对每一个ＲＢＦ神经网络的训练样本进行训练，并　

计算其均方误差；　

３）对每一个粒子的搜索位置进行评价，对当前每个粒子　

的个体最优值和全体最优值进行评价；　

４）根据式（６）、（７）和（８）对每个粒子的速度、位置和连　

接权值进行更新；　

５）判断是否达到最大迭代次数或均方误差小于最初设　

定值，如果达到了则粒子搜索结束，输出最优粒子位置，否则　

转到步聚３）继续执行，将得到的一组最优粒子参数值作为　

ＰＳＯ算法的优化结果。　

３．３　ＰＣＡ—ＰＳｏＩ　ｉＮ网络入侵安全检测过程　

通过上述对ＲＢＦ神经网络原理分析可知，搜索隐含层　

各节点的中心值ｃ　宽度　，以及网络隐含层与输出层之间　

的连接权值埘　选择结果的好坏直接影响着ＲＢＦ神经网络的　

性能。为了对ＲＢＦ神经网络进行优化，本文利用具有很强　

的全局搜索能力的ＰＳＯ算法对ＲＢＦ神经网络参数进行优　

化。利用主成分分析的粒子群ＲＢＦ神经网络网络入侵安全　

检测过程如下：　

１）收集网络入侵的数据集，由于网络入侵数据集属于高　

维数据且存在着噪音信息，本文利用主成分分进行降维，在　

降维的同时有效地去除数据集中的噪音信息；　

２）将ＲＢＦ神经网络的隐含层各节点的中心值ｃ　宽度　

以及连接权值　三个参数组合成一个粒子个体；　

３）设置粒子群个数，初始化每个粒子的速度和方向，确　

定出粒子个体最优值Ｐ　和全局最优值ｇ　；　

４）将粒子群中每一个体进行反编码成ＲＢＦ神经网络参　

数；利用经过ＰＣＡ处理的网络入侵数据集对每个参数进行　

训练，得到每一组参数的均方误差；　

５）计算每一个粒子的适应度函数值，并将所得的适应度　

值与当前粒子群中个体最优值Ｐ　和全局最优值ｇ　进行比　

较，如果大于Ｐ　和ｇ　，则对个体最优值和全局最优值进行　

更新操作，否则，保留原最优值。　

６）根据式（６）和（７）调整每个粒子的搜索速度和位置；　

７）对当前ＲＢＦ神经网络最优参数进行判断，如果是全　

局最优参数或者达到最大迭代次数，则结束粒子搜索，否则　

转到步骤４）继续进行参数寻优操作；　

图２　ＰＥＡ—ＰＳＯＲＢＦＮＮ网络入侵检测流程　

４仿真研究　

４．１数据源　

为检测出本文提出的网络入侵安全检测算法的性能，采　

用ＭＩＴ林肯实验室提供的ＤＡＲＰＡ入侵检测数据库中的数据　

作为实验数据，数据经过处理后形成的ＫＤＤ　ＣＵＰ　９９数据集　

进行仿真实验。数据集中每条数据有４２个属性特征，最后　

一

个为攻击的类型特征，也就是分类标签。数据集中的攻击　

类型分为５大类，正常、ＤＯＳ攻击、ＰＲＢ攻击、Ｕ２Ｒ攻击和　

Ｕ２Ｌ攻击。由于数据集有５００万个样本，过于庞大，本文选　

择其中有代表性的５％数据集作为仿真实验数据集，并将选　

择的数据分成训练样本和测试样本。　

４．２数据预处理　

ＫＤＤ　ＣＵＰ　９９数据集的４１个特征属性是以连续的、离散　

的和字符串的形式进行表示，但神经网络模型只能处理数值　

型的数据，在ＲＢＦ神经网络识别之前把这些离散型的数据　

进行连续化处理，将字符型数据除以符号型特征取值个数变　

换到［０，１］之间的连续数值数据。同时为防止不同的度量标　

准对识别结果造成不利影响，本文利用式（９）进行标准化　

处理：　

ｆ

【ｏ

着　≠Ｕ

　扩　：０

．（９）　

式中，　＝∑　是属性，上取值的平方和。　

－－－——

１０５－－－——　

４．３主成分分析　

入侵检测模型，提高了检测性能，是一种有效、实时性好的网　

络入侵检测模型。　入侵检测数据集的特征维数为４１，属于典型的高维数据　

集，包含了大量的无关属性，为了有效地消除无关属性和降　

低特征维数，从而提高网络安全入侵检测的准确率和速度，　

本文采用ＰＣＡ对原始数据进行特征提取，在不损失数据集　

所包含的信息量的前提下获取新的特征集。经过主成分分　

析后，发现前１１个最大特征值的累计贡献就达到了　

９２．３７％，因此，本文提取前１１个特征向量作为ＲＢＦ神经网　

络的输入。　

４．４　ＲＢＦ神经网络的参数优化　

５结束语　

随着计算机技术和网络技术的发展，网络的应用范围更　

深广，网络安全问题的越来越严重，入侵的手段多样化。针　

对传统网络入侵检测方法存在检测正确率低，误报率、漏报　

率高的难题，本文提出改进的ＲＢＦ神经网络网络入侵检测　

模型。模型首先利用主成分析对网络入侵数据进行处理，消　

除无关的信息，选择重要的信息，优化ＲＢＦ神经网络结构，　

然后采用粒子群算法对ＲＢＦ神经网络数进行优化，提高网　

络入侵检测正确率。仿真对比结果表明，相对于其它网络入　

侵检测模型，本文模型提高了网络入侵的检测正确率，在网　

络入侵检测中有着广泛的应用前景。　

参考文献：　

［１］张然，等．入侵检测技术研究综述［Ｊ］．小型微型计算机系统，　

２００３，２４（７）：ｌ１１３—１１１８．　

经过主成分分析后得到的数据集的特征维数为１１，因　

此，ＲＢＦ神经网络的输入的节点数为１１，输出层节点数为１，　

表示输出的结果，正常或入侵，经过反复试凑，当隐含层的节　

点为１４时网络精度最高并且收敛速度最快。设置粒子群的　

种群规模ｍ＝５０，学习因子ｃ　＝ｃ　＝２，初始惯性权值Ｗ　＝　

０．８，连接权值在区间［一１０，ｌ０］之间变化，最大迭代次数Ｔ　

＝

１０００，目标误差为０．０００１。　

４．５结果与分析　

４．５．１　采用遗传算法前后的模型性能比较　

为了便于比较，利用传统的ＲＢＦ神经网络和ＢＰ神经网　

络作为对比模型，其中，ＢＰ神经网络的输入层与隐含层之间　

利用Ｌｏｇｓｉｇ（）作为传递函数，隐含层与输入层之间利用　

Ｐｕｒｅｌｉｎ（）作为传递传递函数。采用相同的测试数据，各模型　

的收敛次数、收敛速度及平均检测效果比较结果见表１　

所示。　

表１几种模型仿真结果　

［２］卿斯汉，等．入侵检测技术研究综述［Ｊ］．通信学报，２００４，２５　

（７）：ｌ９—２１．　

［３］　赵广社，张希仁．基于主成分分析的支持向量机分类方法研究　

［Ｊ］．计算机工程与应用，２００４，３：３７—３９．　

［４］郭亚周，高德远．模糊聚类分析在入侵检测系统中的应用研究　

［Ｊ］．沈阳理工大学学报，２００５，２４（４）：２６—２８．　

［５］汪兴东，等．基于ＢＰ神经网络的智能人侵检测系统［Ｊ］．成都　

信息工程学院学报，２００５，２０（１）：１—４．　

［６］　常卫东，王正华．基于集成神经网络入侵检测系统的研究与实　

现［Ｊ］．计算机仿真，２００７，２４（３）：１３４—１３８．　

［７］　肖海军，洪帆，张昭理，廖俊国．基于融合分类和支持向量机的　

入侵检测研究［Ｊ］．计算机仿真，２００８，２５（４）：１３０—１３２．　

模型　收敛速度误报率／％检测率／％漏报率／％　

［作者简介］　

从表１可知，未经粒子群优化的ＢＰ神经网络和ＲＢＦ神　

刘金生（１９７３一），男（汉族），河北省唐山人，硕士　

研究生，讲师，主要研究方向计算机网络安全。　

经网络模型的收敛速度较慢，找到最优解的成功率较低，而　

经过粒子群优化的ＲＢＦ神经网络，其收敛速度快，提高了平　

均检测率，有效地降低了误报率。仿真结果表明粒子群优化　

了ＲＢＦ神经网络的参数，获得了更优的ＲＢＦ神经网络网络　

（上接第８７页）　

网络流量预测研究［Ｊ］．计算机仿真，２７（６）：１８７—１９３．　

［７］　陈振伟，郭拯危．小波神经网络预测模型的仿真实现［Ｊ］．计算　

机仿真，２００８，２５（６）：１４７—１５０．　

［８］程光，龚俭．大规模网络流量宏观行为周期性分析研究［Ｊ］．　

小型微型计算机系统，２００３，２４（６）：９９２—９９４．　

［作者简介］　

朱斌（１９８３一），男（汉族），安徽省芜湖市人，硕　

士，研究方向：网络流量、网络安全。　

乐红兵（１９６７一），男（汉族），江苏无锡人，工程师，　

硕士，研究方向：网络流量、网络安全。　

［９］薛可，等．基于ＡＲＩＭＡ模型的网络流量预测［Ｊ］．微电子学与　

计算机，２００４，（７）：８４—８７．　

一

ｌ０６一