1、由于網絡本身開放性和自由性的特點，導致一些非法分子的攻擊，惡意破壞或侵犯網絡，安全問題日趨突出。攻擊網絡的手段和技術不斷更新，使得傳統(tǒng)的防火墻、數字認證等安全防護措施已經不能滿足網絡安全的需求，入侵檢測技術應運而生。然而由于入侵檢測算法的局限性，目前的入侵檢測系統(tǒng)仍然存在實時性差、誤報率高等不足。本文分析傳統(tǒng)BP神經網絡構建入侵檢測模型在收斂速度和漏報率方面存在的缺陷，提出將改進的粒子群算法應用到入侵檢測系統(tǒng)中；通過研究Probing和

2、Dos的攻擊原理，分析這Dos攻擊方法的特征，提取特征數據，建立特征集合，設計一種基于改進PSO和BP神經網絡的入侵檢測模型，并在此模型的基礎設計網絡入侵檢測系統(tǒng)，通過仿真試驗證明系統(tǒng)在誤報率、收斂速度及漏報率方面的改進效果。
　　本研究主要內容包括：⑴分析標準粒子群算法與基本BP神經網絡構建入侵檢測模型存在的不足，通過引入慣性權重因子、動態(tài)收縮因子、變異操作和多目標尋優(yōu)等策略改進粒子群算法，將和改進后的粒子群算法優(yōu)化BP神經網絡

3、。⑵利用MATLAB工具進行BP神經網絡的設計，從KDDCUP的數據集中提取訓練數據和測試數據，對神經網絡進行訓練。⑶將訓練好的BP神經網絡用于入侵檢測，構建基于優(yōu)化BP神經網絡的入侵檢測系統(tǒng)，為了提高系統(tǒng)的防御能力，通過系統(tǒng)與防火墻、殺毒軟件、反間諜軟件等的聯(lián)動，建立全方位的系統(tǒng)防護體系，使系統(tǒng)具有主動防御的能力。⑷設計實驗環(huán)境和平臺，對基于改進PSO-BP神經網絡的入侵檢測系統(tǒng)進行性能分析，驗證系統(tǒng)在檢測Probing攻擊和Dos攻