發(fā)布時間：2024-02-24 14:24

　　入侵檢測技術(shù)是網(wǎng)絡(luò)安全的重要組成部分,它通過對網(wǎng)絡(luò)上的各種信息進(jìn)行收集和分析來檢測各種入侵行為,是維護(hù)網(wǎng)絡(luò)安全的重點(diǎn)。隨著網(wǎng)絡(luò)的普及和網(wǎng)絡(luò)速率的提升,網(wǎng)絡(luò)攻擊行為日益增加,攻擊方法不斷更新,傳統(tǒng)的智能化檢測技術(shù)很難取得期望的成效。當(dāng)前入侵檢測模型存在的問題主要有:研究者針對基于KDD CUP 99數(shù)據(jù)集或者自行收集的數(shù)據(jù)集的算法之間很難進(jìn)行性能比較并且數(shù)據(jù)集的樣本數(shù)據(jù)分布不均勻;傳統(tǒng)學(xué)習(xí)模型特征提取能力差,且全連接網(wǎng)絡(luò)在高維數(shù)據(jù)環(huán)境下訓(xùn)練耗時長,難以適應(yīng)當(dāng)前大數(shù)據(jù)環(huán)境下的入侵檢測任務(wù);CNN或者CNN改進(jìn)模型需要大量帶有標(biāo)簽的數(shù)據(jù),費(fèi)時費(fèi)力,且處理高維數(shù)據(jù)時,計算復(fù)雜度高,耗時長。針對現(xiàn)有基于深度學(xué)習(xí)的入侵檢測算法模型訓(xùn)練時間過長、超參數(shù)較多、數(shù)據(jù)需求量大的缺陷,本文提出一種基于集成深度森林(Ensemble Deep Forests,EDF)的入侵檢測算法。該算法首先使用主成分分析(Principe Component Analysis,PCA)、字符數(shù)據(jù)轉(zhuǎn)換和歸一化算法對數(shù)據(jù)進(jìn)行預(yù)處理,類比卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)隱藏層結(jié)構(gòu)和...

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.2Train和Test數(shù)據(jù)集中樣本類型分布

蘭州交通大學(xué)工程碩士學(xué)位論文-11-NSL-KDD數(shù)據(jù)集與KDDCup1999數(shù)據(jù)集相比，首先去除了訓(xùn)練集中的冗余樣本得到新的訓(xùn)練集Train+，然后使用21種基礎(chǔ)的算法模型將測試集中的樣本依據(jù)分類正確的模型數(shù)量分為22類，并以此給出Test+和Test-21兩種測試集，其中Te....

圖3.3特征重要度分布圖

-16-究者認(rèn)為DBN對入侵檢測系統(tǒng)有著較強(qiáng)的能力[38]，因此本文選用PCA與DBN進(jìn)行特征提齲PCA將高維數(shù)據(jù)映射到另一個低維子空間中，子空間的長軸（主成分）代表著數(shù)據(jù)變化率最高的特征。PCA還可以反應(yīng)特征的重要程度和相關(guān)程度，與長軸越接近的特征，其重要程度越高，進(jìn)而達(dá)到特征....

圖3.4決策樹、RF和EDF的F1值對比

蘭州交通大學(xué)工程碩士學(xué)位論文-19-表3.5Train和Test集上個分類器檢測率對比分類器ACCJ4881.05%NB76.56%NBTree82.02%RandomForest80.67%ExtraTrees78.19%RandomTree81.59%MLP77.41%SVM....

圖3.7特征重要度分布

蘭州交通大學(xué)工程碩士學(xué)位論文-23-圖3.8為在不同窗口情況下Test集上模型測試準(zhǔn)確率隨森林層數(shù)的變化曲線。在整體上，隨著層數(shù)加深，測試集準(zhǔn)確率不斷提高，而在掃描窗口為[10]和[10,30]時時，測試集準(zhǔn)確率較高，且兩條曲線都收斂于86%左右，此時模型特征提取能力達(dá)到較高水平....

本文編號：3909133