【摘要】：網(wǎng)絡的飛速發(fā)展和廣泛普及方便了人類的生活,而其中蘊含的豐富信息也帶來了許多網(wǎng)絡安全問題。在當今的復雜網(wǎng)絡環(huán)境中,各種病毒、漏洞和攻擊層出不窮,威脅著社會公共安全,造成了嚴重的經(jīng)濟損失,因此保護網(wǎng)絡安全成為一個迫切需要研究的課題。入侵檢測能主動檢測攻擊,因此在網(wǎng)絡安全中發(fā)揮著關鍵作用。隨著網(wǎng)絡入侵攻擊的不斷進化,傳統(tǒng)入侵檢測方法的弊端日漸顯現(xiàn),出現(xiàn)了檢測性能差、效率低,難以識別少數(shù)類別的問題。深度學習的出現(xiàn)能有效解決這種問題,在此之前深度學習已經(jīng)成功的運用于多個領域。深度學習的多層網(wǎng)絡結(jié)構(gòu)和優(yōu)秀的特征學習能力有助于入侵檢測中復雜數(shù)據(jù)特征的提取。本文針對入侵檢測方法和深度學習模型進行深入的分析,對基于深度學習的入侵檢測展開研究。本文的主要工作如下:針對傳統(tǒng)入侵檢測技術對高維數(shù)據(jù)提取難度較大,從而導致識別率較低的問題,本文提出了基于深度信念網(wǎng)絡(Deep Belief Networks,DBN)與概率神經(jīng)網(wǎng)絡(Probabilistic Neural Network,PNN)的入侵檢測模型DBN-PNN。該模型利用DBN強大的特征學習能力結(jié)合PNN快速收斂且容錯性好的優(yōu)點,實現(xiàn)對入侵行為的檢測。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DBN輸出的低維數(shù)據(jù)采用PNN分類。通過實驗驗證了該模型具有良好的識別效果。針對網(wǎng)絡入侵數(shù)據(jù)分布不均勻,各類別比例嚴重失衡,而大多數(shù)入侵檢測方法只關注整體樣本的檢測率忽視少數(shù)類別的問題,本文在DBN-PNN模型基礎上加入對不平衡數(shù)據(jù)的優(yōu)化處理,提出了基于優(yōu)化不平衡數(shù)據(jù)的深度學習入侵檢測模型。該模型共有四個模塊,本文針對其中數(shù)據(jù)預處理模塊和入侵檢測模塊上進行了研究。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,對多數(shù)類別樣本采用NCL算法(Neighborhood Cleaning Rule,NCL)進行欠采樣,降低其數(shù)目,最終形成平衡數(shù)據(jù)。將本文提出的DBN-PNN模型應用在入侵檢測模塊中,最后通過實驗結(jié)果驗證本文的模型能有效提高整體檢測的效果,同時提升了對少數(shù)類別攻擊的識別。綜上所述,本文提出的模型不僅有效的提高了入侵檢測的檢測性能,縮減了檢測時間。同時針對非平衡策略的改進,本文的模型能使少數(shù)類別攻擊的準確率得到了明顯的提升。
【圖文】：

第二章 相關技術模塊進行處理。作為入侵檢測數(shù)據(jù)的來源，必須保證實性。最重要的組件，事件分析器是對事件產(chǎn)生器采集的數(shù)是數(shù)據(jù)庫中存在的規(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的精度，于是需加過上個組件的分析結(jié)果來做出相對的反映措施。一旦象的異常行為時，會及時通知響應單元，，響應單元收般包括終止進程、斷掉網(wǎng)絡的連接或者發(fā)出警告等其事件數(shù)據(jù)庫不同于其他組件，它不進行任何的數(shù)據(jù)處和事件分析器得到的數(shù)據(jù)和分析的結(jié)果進行存儲。采取措施

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

【相似文獻】

相關期刊論文 前10條

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

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

3 沈通;吳志軍;張建富;楊建新;曾龍;;數(shù)控加工原位檢測系統(tǒng)中檢測規(guī)劃關鍵技術研究[J];制造技術與機床;2018年08期

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

5 王通;郭淵博;祝松帥;嚴新成;;基于大數(shù)據(jù)的APT威脅檢測方法[J];信息工程大學學報;2017年06期

6 王丹;趙宏偉;戴毅;吳彬;;基于回歸的人臉檢測加速算法[J];重慶郵電大學學報(自然科學版);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;全自動酶標分析系統(tǒng)對抗-HCVEIA檢測特征性的影響[J];中國輸血雜志;2000年01期

8 周穎;胡勇;;基于關聯(lián)分析的Webshell檢測方法研究[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)計分析與檢測特征設計[J];大連理工大學學報;2010年04期

10 申家全;閆懷志;胡昌振;;探地雷達目標檢測中的離散余弦變換方法[J];儀器儀表學報;2011年06期

相關會議論文 前1條

1 侯長軍;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研究[A];中國儀器儀表學會醫(yī)療儀器分會第四次全國會員代表大會暨2009年學術年會論文集[C];2009年

相關重要報紙文章 前2條

1 ;如何解決誤報率問題[N];中國計算機報;2002年

2 本報記者 耿挺;兩小時讓H7N9原形畢露[N];上�？萍紙�;2013年

相關博士學位論文 前3條

1 張治國;前方道路行人檢測和距離估計研究[D];華中科技大學;2017年

2 許舟軍;基于異常分析的入侵檢測關鍵技術研究[D];天津大學;2006年

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

相關碩士學位論文 前10條

1 董鋒;復雜環(huán)境中基于道路監(jiān)控視頻的目標檢測研究與實現(xiàn)[D];電子科技大學;2019年

2 廖炳焱;真實場景下的目標檢測方法研究[D];電子科技大學;2019年

3 章延;基于改進非平衡策略和深度學習的入侵檢測研究[D];桂林電子科技大學;2019年

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

5 毛科棟;基于深度學習的房顫檢測[D];浙江工業(yè)大學;2019年

6 李承前;基于深度學習的行人檢測方法的研究[D];中國石油大學(華東);2017年

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

8 李昭青;基于視頻的行人檢測研究[D];山東大學;2019年

9 房有麗;基于知識圖譜的虛假評論檢測方法研究[D];山東師范大學;2019年

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

本文編號：2606792