【摘要】：網(wǎng)絡(luò)的飛速發(fā)展和廣泛普及方便了人類的生活,而其中蘊(yùn)含的豐富信息也帶來(lái)了許多網(wǎng)絡(luò)安全問(wèn)題。在當(dāng)今的復(fù)雜網(wǎng)絡(luò)環(huán)境中,各種病毒、漏洞和攻擊層出不窮,威脅著社會(huì)公共安全,造成了嚴(yán)重的經(jīng)濟(jì)損失,因此保護(hù)網(wǎng)絡(luò)安全成為一個(gè)迫切需要研究的課題。入侵檢測(cè)能主動(dòng)檢測(cè)攻擊,因此在網(wǎng)絡(luò)安全中發(fā)揮著關(guān)鍵作用。隨著網(wǎng)絡(luò)入侵攻擊的不斷進(jìn)化,傳統(tǒng)入侵檢測(cè)方法的弊端日漸顯現(xiàn),出現(xiàn)了檢測(cè)性能差、效率低,難以識(shí)別少數(shù)類別的問(wèn)題。深度學(xué)習(xí)的出現(xiàn)能有效解決這種問(wèn)題,在此之前深度學(xué)習(xí)已經(jīng)成功的運(yùn)用于多個(gè)領(lǐng)域。深度學(xué)習(xí)的多層網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)秀的特征學(xué)習(xí)能力有助于入侵檢測(cè)中復(fù)雜數(shù)據(jù)特征的提取。本文針對(duì)入侵檢測(cè)方法和深度學(xué)習(xí)模型進(jìn)行深入的分析,對(duì)基于深度學(xué)習(xí)的入侵檢測(cè)展開研究。本文的主要工作如下:針對(duì)傳統(tǒng)入侵檢測(cè)技術(shù)對(duì)高維數(shù)據(jù)提取難度較大,從而導(dǎo)致識(shí)別率較低的問(wèn)題,本文提出了基于深度信念網(wǎng)絡(luò)(Deep Belief Networks,DBN)與概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)的入侵檢測(cè)模型DBN-PNN。該模型利用DBN強(qiáng)大的特征學(xué)習(xí)能力結(jié)合PNN快速收斂且容錯(cuò)性好的優(yōu)點(diǎn),實(shí)現(xiàn)對(duì)入侵行為的檢測(cè)。DBN-PNN模型首先采用DBN將大量原始高維數(shù)據(jù)降維,完成特征提取,之后對(duì)DBN輸出的低維數(shù)據(jù)采用PNN分類。通過(guò)實(shí)驗(yàn)驗(yàn)證了該模型具有良好的識(shí)別效果。針對(duì)網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)分布不均勻,各類別比例嚴(yán)重失衡,而大多數(shù)入侵檢測(cè)方法只關(guān)注整體樣本的檢測(cè)率忽視少數(shù)類別的問(wèn)題,本文在DBN-PNN模型基礎(chǔ)上加入對(duì)不平衡數(shù)據(jù)的優(yōu)化處理,提出了基于優(yōu)化不平衡數(shù)據(jù)的深度學(xué)習(xí)入侵檢測(cè)模型。該模型共有四個(gè)模塊,本文針對(duì)其中數(shù)據(jù)預(yù)處理模塊和入侵檢測(cè)模塊上進(jìn)行了研究。在數(shù)據(jù)處理模塊中采用SMOTE算法(Synthetic Minority Over-sampling Technique)合成少數(shù)類別樣本,增加少數(shù)類別數(shù)量,對(duì)多數(shù)類別樣本采用NCL算法(Neighborhood Cleaning Rule,NCL)進(jìn)行欠采樣,降低其數(shù)目,最終形成平衡數(shù)據(jù)。將本文提出的DBN-PNN模型應(yīng)用在入侵檢測(cè)模塊中,最后通過(guò)實(shí)驗(yàn)結(jié)果驗(yàn)證本文的模型能有效提高整體檢測(cè)的效果,同時(shí)提升了對(duì)少數(shù)類別攻擊的識(shí)別。綜上所述,本文提出的模型不僅有效的提高了入侵檢測(cè)的檢測(cè)性能,縮減了檢測(cè)時(shí)間。同時(shí)針對(duì)非平衡策略的改進(jìn),本文的模型能使少數(shù)類別攻擊的準(zhǔn)確率得到了明顯的提升。
【圖文】：

第二章 相關(guān)技術(shù)模塊進(jìn)行處理。作為入侵檢測(cè)數(shù)據(jù)的來(lái)源，必須保證實(shí)性。最重要的組件，事件分析器是對(duì)事件產(chǎn)生器采集的數(shù)是數(shù)據(jù)庫(kù)中存在的規(guī)則，之后將分析的結(jié)果提交給下器的分析結(jié)果直接影響到入侵檢測(cè)的精度，于是需加過(guò)上個(gè)組件的分析結(jié)果來(lái)做出相對(duì)的反映措施。一旦象的異常行為時(shí)，會(huì)及時(shí)通知響應(yīng)單元，，響應(yīng)單元收般包括終止進(jìn)程、斷掉網(wǎng)絡(luò)的連接或者發(fā)出警告等其事件數(shù)據(jù)庫(kù)不同于其他組件，它不進(jìn)行任何的數(shù)據(jù)處和事件分析器得到的數(shù)據(jù)和分析的結(jié)果進(jìn)行存儲(chǔ)。采取措施

入侵檢測(cè)系統(tǒng)分類按照數(shù)據(jù)源，IDS被分成如下三種類型：(1)基于主機(jī)的IDS(HIDS)
【學(xué)位授予單位】：桂林電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP393.08

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 饒鮮;楊紹全;魏青;董春曦;;基于熵的入侵檢測(cè)特征參數(shù)選擇[J];系統(tǒng)工程與電子技術(shù);2006年04期

2 龍嘯;方勇;黃誠(chéng);劉亮;;Webshell研究綜述:檢測(cè)與逃逸之間的博弈[J];網(wǎng)絡(luò)空間安全;2018年01期

3 沈通;吳志軍;張建富;楊建新;曾龍;;數(shù)控加工原位檢測(cè)系統(tǒng)中檢測(cè)規(guī)劃關(guān)鍵技術(shù)研究[J];制造技術(shù)與機(jī)床;2018年08期

4 張少擎;;基于MBD的數(shù)字化零件檢測(cè)技術(shù)研究[J];航空制造技術(shù);2014年21期

5 王通;郭淵博;祝松帥;嚴(yán)新成;;基于大數(shù)據(jù)的APT威脅檢測(cè)方法[J];信息工程大學(xué)學(xué)報(bào);2017年06期

6 王丹;趙宏偉;戴毅;吳彬;;基于回歸的人臉檢測(cè)加速算法[J];重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年04期

7 劉素芳,凌云,曹致剛,程玉香,姜雪波,曾蓉嘉,陳雪蓮,賈銘章;全自動(dòng)酶標(biāo)分析系統(tǒng)對(duì)抗-HCVEIA檢測(cè)特征性的影響[J];中國(guó)輸血雜志;2000年01期

8 周穎;胡勇;;基于關(guān)聯(lián)分析的Webshell檢測(cè)方法研究[J];信息安全研究;2018年03期

9 歐凡;劉沖;;人臉圖像灰度分布統(tǒng)計(jì)分析與檢測(cè)特征設(shè)計(jì)[J];大連理工大學(xué)學(xué)報(bào);2010年04期

10 申家全;閆懷志;胡昌振;;探地雷達(dá)目標(biāo)檢測(cè)中的離散余弦變換方法[J];儀器儀表學(xué)報(bào);2011年06期

相關(guān)會(huì)議論文 前1條

1 侯長(zhǎng)軍;彭承琳;羅偉;霍丹群;段玉娟;羅小剛;法煥寶;;卟啉傳感的肺病早期診斷技術(shù)研究[A];中國(guó)儀器儀表學(xué)會(huì)醫(yī)療儀器分會(huì)第四次全國(guó)會(huì)員代表大會(huì)暨2009年學(xué)術(shù)年會(huì)論文集[C];2009年

相關(guān)重要報(bào)紙文章 前2條

1 ;如何解決誤報(bào)率問(wèn)題[N];中國(guó)計(jì)算機(jī)報(bào);2002年

2 本報(bào)記者 耿挺;兩小時(shí)讓H7N9原形畢露[N];上�？萍紙�(bào);2013年

相關(guān)博士學(xué)位論文 前3條

1 張治國(guó);前方道路行人檢測(cè)和距離估計(jì)研究[D];華中科技大學(xué);2017年

2 許舟軍;基于異常分析的入侵檢測(cè)關(guān)鍵技術(shù)研究[D];天津大學(xué);2006年

3 滕少華;基于對(duì)象監(jiān)控的分布式協(xié)同入侵檢測(cè)[D];廣東工業(yè)大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 董鋒;復(fù)雜環(huán)境中基于道路監(jiān)控視頻的目標(biāo)檢測(cè)研究與實(shí)現(xiàn)[D];電子科技大學(xué);2019年

2 廖炳焱;真實(shí)場(chǎng)景下的目標(biāo)檢測(cè)方法研究[D];電子科技大學(xué);2019年

3 章延;基于改進(jìn)非平衡策略和深度學(xué)習(xí)的入侵檢測(cè)研究[D];桂林電子科技大學(xué);2019年

4 鞏磊;基于積分通道的多尺度行人檢測(cè)與跟蹤方法研究[D];吉林大學(xué);2019年

5 毛科棟;基于深度學(xué)習(xí)的房顫?rùn)z測(cè)[D];浙江工業(yè)大學(xué);2019年

6 李承前;基于深度學(xué)習(xí)的行人檢測(cè)方法的研究[D];中國(guó)石油大學(xué)(華東);2017年

7 高苗;基于姿態(tài)分析的摔倒檢測(cè)研究與實(shí)現(xiàn)[D];上海師范大學(xué);2019年

8 李昭青;基于視頻的行人檢測(cè)研究[D];山東大學(xué);2019年

9 房有麗;基于知識(shí)圖譜的虛假評(píng)論檢測(cè)方法研究[D];山東師范大學(xué);2019年

10 吳楚婷;基于用戶網(wǎng)絡(luò)數(shù)據(jù)指紋的異常行為檢測(cè)研究[D];北京郵電大學(xué);2019年

本文編號(hào)：2606792