基于分布式学习的大规模网络入侵检测算法

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