本文選題：入侵檢測 + 深度學(xué)習(xí)　； 參考：《北京理工大學(xué)學(xué)報》2017年12期

【摘要】：作為深度學(xué)習(xí)的一種有效算法,深度卷積網(wǎng)絡(luò)已成功應(yīng)用在處理圖像、視頻和音頻等領(lǐng)域.通過建立一卷積神經(jīng)網(wǎng)絡(luò)模型并應(yīng)用于網(wǎng)絡(luò)入侵檢測,選取的卷積核與數(shù)據(jù)進行卷積操作提取特征的局部相關(guān)性從而提高特征提取的準(zhǔn)確度.采集到的網(wǎng)絡(luò)數(shù)據(jù)通過多層"卷積層-下采樣層"的處理對網(wǎng)絡(luò)中正常行為和異常行為的特征進行深度刻畫,最后通過多層感知機進行正確分類.KDD 99數(shù)據(jù)集上的實驗表明,文中提出的卷積神經(jīng)網(wǎng)絡(luò)模型與經(jīng)典BP神經(jīng)網(wǎng)絡(luò)、SVM算法等相比,有效提高了入侵檢測識別的分類準(zhǔn)確性.
[Abstract]:As an effective algorithm for deep learning, deep convolution networks have been successfully applied to image processing, video and audio processing. By establishing a convolutional neural network model and applying it to network intrusion detection, the selected convolution kernel and data are selected to extract the local correlation of the features of the convolution operation, so as to improve the accuracy of feature extraction. The collected network data deeply depict the characteristics of normal behavior and abnormal behavior in the network through the processing of multi-layer "volume accumulation layer down sampling layer". Finally, the experiments on the correct classification of .KDD99 data set by multi-layer perceptron show that, Compared with the classical BP neural network and SVM algorithm, the proposed convolution neural network model can effectively improve the classification accuracy of intrusion detection and recognition.
【作者單位】： 北京交通大學(xué)電子信息工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項目(61374120,61673387) 陜西省自然科學(xué)基金資助項目(2016JM6015)
【分類號】：TP18;TP393.08

【相似文獻】

相關(guān)期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡(luò)技術(shù)讓管理更輕松[J];軟件世界;2000年11期

2 連紅;潘志松;景鳳宣;;一種基于規(guī)則和神經(jīng)網(wǎng)絡(luò)的系統(tǒng)在入侵檢測中的應(yīng)用(英文)[J];貴州師范大學(xué)學(xué)報(自然科學(xué)版);2006年04期

3 王兆霞;孫雨耕;張強;郝庭柱;孫小薇;秦娟;沈花玉;;基于復(fù)合神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)業(yè)務(wù)分類算法[J];天津大學(xué)學(xué)報;2006年S1期

4 陳熹;朱燦焰;;兩種神經(jīng)網(wǎng)絡(luò)在入侵檢測中的應(yīng)用[J];通信技術(shù);2011年11期

5 趙建華;李偉華;;有監(jiān)督SOM神經(jīng)網(wǎng)絡(luò)在入侵檢測中的應(yīng)用[J];計算機工程;2012年12期

6 馮海亮;陳滌;林青家;陳春曉;;一種基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量組合預(yù)測模型[J];計算機應(yīng)用;2006年09期

7 劉淵;曹建華;戴悅;;基于補償器的灰色神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型[J];計算機應(yīng)用;2007年09期

8 黃巧云;;基于云模型與神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)態(tài)勢分析[J];三明學(xué)院學(xué)報;2012年04期

9 喬曉梅;;基于粒子群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)在入侵檢測中的應(yīng)用[J];商場現(xiàn)代化;2006年18期

10 劉曉;;基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量識別模型[J];微型機與應(yīng)用;2012年02期

相關(guān)會議論文 前3條

1 張文濤;Wlodek Kulesza;;基于BP神經(jīng)網(wǎng)絡(luò)的防火墻流量預(yù)測[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

2 李明;賈波;;基于神經(jīng)網(wǎng)絡(luò)的P2P流量識別方法[A];浙江省信號處理學(xué)會2011學(xué)術(shù)年會論文集[C];2011年

3 王志佳;顧健;;一種改進的確定有限自動機入侵檢測算法研究[A];全國計算機安全學(xué)術(shù)交流會論文集·第二十五卷[C];2010年

相關(guān)重要報紙文章 前1條

1 ;您的網(wǎng)管系統(tǒng)夠靈敏嗎？[N];科技日報;2000年

相關(guān)博士學(xué)位論文 前4條

1 吳靜;入侵檢測中神經(jīng)網(wǎng)絡(luò)融合學(xué)習(xí)方法的研究[D];吉林大學(xué);2010年

2 劉貴松;入侵檢測的神經(jīng)網(wǎng)絡(luò)方法[D];電子科技大學(xué);2007年

3 黃保華;對等系統(tǒng)的安全與激勵機制研究[D];華中科技大學(xué);2006年

4 曾劍平;基于模糊集的自適應(yīng)偽裝入侵檢測算法及其在ASP服務(wù)安全中的應(yīng)用研究[D];廈門大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 李保軍;基于CRO高階神經(jīng)網(wǎng)絡(luò)的流量矩陣估計研究[D];華中師范大學(xué);2015年

2 黃正觀;基于BP神經(jīng)網(wǎng)絡(luò)的通信網(wǎng)故障診斷算法研究與實現(xiàn)[D];華北電力大學(xué);2015年

3 張義宏;基于PCA的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的研究與應(yīng)用[D];東北大學(xué);2014年

4 苑帥;基于改進QPSO優(yōu)化的RBF網(wǎng)絡(luò)入侵檢測研究[D];河北工業(yè)大學(xué);2015年

5 張志超;基于神經(jīng)網(wǎng)絡(luò)的SQL注入式攻擊漏洞檢測問題的研究與實現(xiàn)[D];北京工業(yè)大學(xué);2016年

6 喻寶祿;基于醫(yī)療云平臺的一類疾病分析模型研究[D];貴州大學(xué);2016年

7 張才峰;基于聯(lián)合特征的LDoS攻擊檢測方法[D];中國民航大學(xué);2016年

8 趙朗;基于深度學(xué)習(xí)的Web信息抽取研究與實現(xiàn)[D];浙江大學(xué);2017年

9 姜軍;基于粒子濾波的LDoS攻擊檢測方法[D];中國民航大學(xué);2017年

10 周曉;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的混合網(wǎng)絡(luò)流量預(yù)測模型仿真與實現(xiàn)[D];北京交通大學(xué);2017年

，

本文編號：2086579