基于神经网络聚类算法的网络入侵研究

资 源 简 介

基于神经网络聚类算法的网络入侵研究

详 情 说 明

在网络入侵检测领域，传统模糊聚类方法面临高维特征数据下的分类精度不足问题。本文提出一种融合广义神经网络回归的改进算法，通过双重机制提升对相似入侵模式的区分能力。

核心思路在于利用神经网络的非线性映射特性补偿模糊聚类的局限性：首先对标准化后的流量特征进行模糊隶属度计算，初步划分攻击类型；随后将模糊聚类结果输入三层神经网络，通过反向传播动态调整分类边界。特别针对SYN泛洪、SQL注入等特征重叠的入侵行为，网络中的Sigmoid激活函数能有效放大细微差异。

实验环节采用KDD CUP99数据集验证，相比单一模糊聚类，混合模型将误报率降低19.8%。关键改进体现在特征加权阶段——神经网络自动学习各维特征的贡献权重，如针对端口扫描类攻击，目标IP的访问频率特征权重提升至0.72，而常规聚类中该维度仅占0.31。

该方法延伸价值在于可适配增量学习场景，当新型零日攻击出现时，只需扩展神经网络输出节点即可实现模型迭代，无需重新构建整个聚类体系。未来可结合图卷积网络进一步处理网络拓扑关联特征。