提出了基于RS 的BP-HMM 模型的網(wǎng)絡(luò)入侵檢測(cè)方法，并給出了模型的訓(xùn)練和識(shí)別方法。由于簡(jiǎn)單的使用HMM 建立的分類器不能兼顧每個(gè)模型對(duì)其對(duì)應(yīng)目標(biāo)有很強(qiáng)的識(shí)別能力和模型之間差異性的最大化，因此將基于RS 的BP 神經(jīng)網(wǎng)絡(luò)集成到HMM 框架中，提高了系統(tǒng)的分類識(shí)別能力。
入侵檢測(cè)系統(tǒng)的狀態(tài)和測(cè)量（輸出）向量都受到各種噪聲的干擾，因而是隨機(jī)系統(tǒng)[1]。因此，一個(gè)優(yōu)秀的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)應(yīng)該是一個(gè)隨機(jī)最優(yōu)控制系統(tǒng)。隱馬爾可夫模型(Hidden Markov Model, HMM)是一個(gè)二重馬爾可夫隨即過程[2]，其狀態(tài)是不確定或不可見的，只有通過觀測(cè)序列的隨機(jī)過程才能表現(xiàn)出來[3]。HMM 將一個(gè)觀察值序列
看成一個(gè)個(gè)分段的平穩(wěn)過程[4,5]。目前，這種模型被廣泛地應(yīng)用到語(yǔ)音識(shí)別、字符識(shí)別、計(jì)算機(jī)視覺等領(lǐng)域[6-8]。在網(wǎng)絡(luò)安全領(lǐng)域，HMM 同樣有著廣泛的應(yīng)用潛力。文獻(xiàn)[9]建立了一個(gè)簡(jiǎn)單的計(jì)算機(jī)系統(tǒng)運(yùn)行狀況的HMM，它的優(yōu)點(diǎn)在于算法簡(jiǎn)單而且需要的存儲(chǔ)空間也比較?。晃墨I(xiàn)[10]則僅僅通過考慮基于攻擊域知識(shí)的特權(quán)流事件來大大縮短
建模時(shí)間并提高檢測(cè)性能；文獻(xiàn)[3]則簡(jiǎn)單的用BP 神經(jīng)網(wǎng)絡(luò)為HMM 提供狀態(tài)概率輸出，沒有考慮到各種噪聲數(shù)據(jù)對(duì)BP 網(wǎng)絡(luò)粗分類的影響，從而使得BP 網(wǎng)絡(luò)對(duì)輸入序列的識(shí)別處理出現(xiàn)偏差。所以，本文提出了一種基于RS 的BP-HMM 的入侵檢測(cè)系統(tǒng)，它是一種異常檢測(cè)技術(shù)。由于使用基于RS 的BP 網(wǎng)絡(luò)進(jìn)行粗分類，利用HMM 進(jìn)行細(xì)分類，因此不僅克服了HMM 的缺陷，而且減少了由于噪聲數(shù)據(jù)對(duì)BP 網(wǎng)絡(luò)
分類影響，提高了系統(tǒng)的分類識(shí)別能力。同時(shí)，使用了任意路徑方法進(jìn)行模式識(shí)別，不僅識(shí)別準(zhǔn)確率高，而且具有明顯的計(jì)算優(yōu)勢(shì)。