CAJ | 학술논문

计算机网络的高速发展,使处理器的速度明显低于骨干网的传输速度,这使得传统的入侵检测方法无法应用于大规模网络的检测.目前,解决这一问题的有效办法是将海量数据分割成小块数据,由分布的处理节点并行处理.这种分布式并行处理的难点是分割机制,为了不破坏数据的完整性,只有采用复杂的分割算法,这同时也使分割模块成为检测系统新的瓶颈.为了克服这个问题,提出了分布式神经网络学习算法,并将其用于大规模网络入侵检测.该算法的优点是,大数据集可被随机分割后分发给独立的神经网络进行并行学习,在降低分割算法复杂度的同时,保证学习结果的完整性.对该算法的测试实验首先采用基准测试数据circle-in-the-square测试了其学习能力,并与ARTMAP(adaptive resonance theory supervised predictive mapping)和BP(back propagation)神经网络进行了比较;然后采用标准的入侵检测测试数据集KDD'99 Data Set测试了其对大规模入侵的检测性能.通过与其他方法在相同数据集上的测试结果的比较表明,分布式学习算法同样具有较高的检测效率和较低的误报率.
계산궤망락적고속발전,사처리기적속도명현저우골간망적전수속도,저사득전통적입침검측방법무법응용우대규모망락적검측.목전,해결저일문제적유효판법시장해량수거분할성소괴수거,유분포적처리절점병행처리.저충분포식병행처리적난점시분할궤제,위료불파배수거적완정성,지유채용복잡적분할산법,저동시야사분할모괴성위검측계통신적병경.위료극복저개문제,제출료분포식신경망락학습산법,병장기용우대규모망락입침검측.해산법적우점시,대수거집가피수궤분할후분발급독립적신경망락진행병행학습,재강저분할산법복잡도적동시,보증학습결과적완정성.대해산법적측시실험수선채용기준측시수거circle-in-the-square측시료기학습능력,병여ARTMAP(adaptive resonance theory supervised predictive mapping)화BP(back propagation)신경망락진행료비교;연후채용표준적입침검측측시수거집KDD'99 Data Set측시료기대대규모입침적검측성능.통과여기타방법재상동수거집상적측시결과적비교표명,분포식학습산법동양구유교고적검측효솔화교저적오보솔.