在互聯(lián)網(wǎng)不斷發(fā)展的大背景下,網(wǎng)絡(luò)技術(shù)也在飛快地發(fā)展,人們可以使用眾多的網(wǎng)絡(luò)應(yīng)用。與此同時(shí),網(wǎng)絡(luò)上的威脅也層出不窮。傳統(tǒng)的基于預(yù)定義規(guī)則的入侵檢測方案,已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足人們對安全的需求。因而入侵檢測系統(tǒng)作為一種新型的安全工具越來越受到重視。雖然入侵檢測系統(tǒng)在算法層面和數(shù)據(jù)層面已經(jīng)有了很多研究工作,但是目前仍然存在著一些問題比如缺乏對正常異常樣本極度不平衡時(shí),并且數(shù)據(jù)量較大情形下的研究,同時(shí)關(guān)于入侵檢測數(shù)據(jù)集的異常流量分類問題中,缺少對于什么類型的特征組合是有效的或冗余的研究。針對大數(shù)據(jù)環(huán)境下異常流量的檢測問題,本文提出了一種利用離群點(diǎn)檢測增強(qiáng)的集成學(xué)習(xí)Stacking OD算法,利用無監(jiān)督學(xué)習(xí)的孤立森林能夠快速從數(shù)據(jù)中檢測離群點(diǎn),來對數(shù)據(jù)進(jìn)行預(yù)標(biāo)記,從而增強(qiáng)了模型在檢測異常流量上的有效性。Stacking OD算法在UNSW-NB15數(shù)據(jù)集上取得了99.53%的準(zhǔn)確率,97.46%的檢測率,和0.21%的誤報(bào)率,在NSL-KDD數(shù)據(jù)集上取得了99.73%的準(zhǔn)確率,99.67%的檢測率,和0.23%的誤報(bào)率。相比同類型的研究有更優(yōu)越的性能。為了方便進(jìn)行特征的研究,本文使用Breaking ...

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
第1章 緒論
    1.1 研究背景及其意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容與論文結(jié)構(gòu)
第2章 入侵檢測相關(guān)背景和技術(shù)
    2.1 入侵檢測相關(guān)基本概念
        2.1.1 概述
        2.1.2 入侵檢測的框架和流程
        2.1.3 入侵檢測系統(tǒng)的具體類型
    2.2 相關(guān)模型算法簡介
        2.2.1 機(jī)器學(xué)習(xí)相關(guān)概念
        2.2.2 樹模型系列算法
    2.3 本章小結(jié)
第3章 基于混合模型的異常流量檢測
    3.1 入侵檢測數(shù)據(jù)集介紹
        3.1.1 NSL-KDD 數(shù)據(jù)集
        3.1.2 UNSW-NB15數(shù)據(jù)集
    3.2 基于混合模型的異常檢測算法
        3.2.1 Stacking算法原理
        3.2.2 利用離群點(diǎn)檢測增強(qiáng)stacking算法
    3.3 模型評價(jià)指標(biāo)
    3.4 實(shí)驗(yàn)評估
        3.4.1 數(shù)據(jù)預(yù)處理
        3.4.2 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第4章異常流量分類與特征研究
    4.1 異常流量數(shù)據(jù)的生成
    4.2 流量的解析與特征提取
    4.3 機(jī)器學(xué)習(xí)中的多分類問題
        4.3.1 兩種多分類方案
        4.3.2 LightGBM模型的多分類方法
    4.4 入侵檢測中的多分類性能對比
        4.4.1 多分類性能評價(jià)指標(biāo)
        4.4.2 實(shí)驗(yàn)過程與性能對比
    4.5 特征重要性分析
        4.5.1 特征選擇
        4.5.2 去除無用特征
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
作者簡歷



本文編號：3920471