提出了基于RS 的BP-HMM 模型的網(wǎng)絡(luò)入侵檢測方法，并給出了模型的訓(xùn)練和識別方法。由于簡單的使用HMM 建立的分類器不能兼顧每個模型對其對應(yīng)目標(biāo)有很強(qiáng)的識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)的分類識別能力。
入侵檢測系統(tǒng)的狀態(tài)和測量（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，一個優(yōu)秀的網(wǎng)絡(luò)入侵檢測系統(tǒng)應(yīng)該是一個隨機(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，只有通過觀測序列的隨機(jī)過程才能表現(xiàn)出來[3]。HMM 將一個觀察值序列
看成一個個分段的平穩(wěn)過程[4,5]。目前，這種模型被廣泛地應(yīng)用到語音識別、字符識別、計算機(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]建立了一個簡單的計算機(jī)系統(tǒng)運(yùn)行狀況的HMM，它的優(yōu)點(diǎn)在于算法簡單而且需要的存儲空間也比較?。晃墨I(xiàn)[10]則僅僅通過考慮基于攻擊域知識的特權(quán)流事件來大大縮短
建模時間并提高檢測性能；文獻(xiàn)[3]則簡單的用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BP 網(wǎng)絡(luò)粗分類的影響，從而使得BP 網(wǎng)絡(luò)對輸入序列的識別處理出現(xiàn)偏差。所以，本文提出了一種基于RS 的BP-HMM 的入侵檢測系統(tǒng)，它是一種異常檢測技術(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BP 網(wǎng)絡(luò)
分類影響，提高了系統(tǒng)的分類識別能力。同時，使用了任意路徑方法進(jìn)行模式識別，不僅識別準(zhǔn)確率高，而且具有明顯的計算優(yōu)勢。